論文の概要: RamanPFN: learning from Raman spectral structure with a tabular foundation model
- arxiv url: http://arxiv.org/abs/2608.02157v1
- Date: Mon, 03 Aug 2026 12:37:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.566247
- Title: RamanPFN: learning from Raman spectral structure with a tabular foundation model
- Title（参考訳）: RamanPFN:表層基礎モデルを用いたRamanスペクトル構造からの学習
- Abstract要約: ラマン分光法は、材料科学、バイオメディシン、プロセスモニタリングにまたがる非破壊的でラベルのない分子特性を可能にする。
予測ラマンデータセットには、ラベル付きスペクトルがほとんどなく、数千の順序の波数が含まれていることが多い。
本稿では、TabPFNの推論の前に依存関係を符号化するスペクトル表現フレームワークであるRamanPFNを提案する。
- 参考スコア（独自算出の注目度）: 5.156304764307903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Raman spectroscopy enables non-destructive, label-free molecular characterization across materials science, biomedicine and process monitoring. Predictive Raman datasets often contain few labelled spectra and thousands of ordered wavenumbers, with informative variation within bands and across distant spectral regions. Latent-variable chemometrics accommodates collinear small-sample data but can obscure fine peak morphology, whereas deep spectral networks resolve this structure only after task-specific training. TabPFN avoids task-specific parameter fitting through pretrained in-context inference, but processes very wide inputs as feature-subsampled views that do not preserve joint visibility of related bands. We present RamanPFN, a spectral representation framework that encodes these dependencies before TabPFN inference. Global Compositional Unmixing constructs non-negative coordinates over the complete spectrum so that distant bands with shared latent variation occupy a common predictive axis. Local Vibrational Subspace Encoding represents contiguous wavenumber regions with multiple orthogonal modes that retain independent changes in peak shape, intensity and position. The representations are evaluated separately and combined at the prediction level. Evaluation covered 150 tasks from 74 public Raman datasets. RamanPFN reduced root-mean-square error by 19.6% on average across 129 regression targets relative to direct TabPFN inference and further reduced the remaining classification error by 9.0% across 21 classification tasks. These results establish explicit spectral representation as an effective interface between high-dimensional Raman measurements and reusable tabular inference.
- Abstract（参考訳）: ラマン分光法は、材料科学、バイオメディシン、プロセスモニタリングにまたがる非破壊的でラベルのない分子特性を可能にする。
予測ラマンデータセットにはラベル付きスペクトルがほとんどなく、数千の順序の波数が含まれており、帯域内や遠方のスペクトル領域に情報的変化がある。
潜時変量ケモメトリはコリニアの小さなサンプルデータに対応しているが、深いスペクトルネットワークはタスク固有の訓練後にのみこの構造を解決している。
TabPFNは、事前訓練されたインコンテキスト推論によるタスク固有のパラメータのフィッティングを避けるが、非常に広い範囲の入力を、関連するバンドのジョイント可視性を保たない特徴サブサンプルビューとして処理する。
本稿では、これらの依存関係をTabPFN推論の前に符号化するスペクトル表現フレームワークであるRamanPFNを提案する。
グローバルな構成的アンミックスは、完全スペクトル上の非負の座標を構成するので、共分散潜時変動を持つ遠方のバンドが共通の予測軸を占める。
局所振動部分空間符号化は、ピーク形状、強度、位置の独立的な変化を保持する複数の直交モードを持つ連続波数領域を表す。
表現は別々に評価され、予測レベルで組み合わせられる。
評価では、74の公開Ramanデータセットから150のタスクをカバーした。
RamanPFNは、直接のTabPFN推論と比較して129の回帰目標に対して平均して、ルート平均二乗誤差を19.6%削減し、残りの分類誤差を21の分類タスクで9.0%削減した。
これらの結果は,高次元ラマン測度と再利用可能な表層推論との効果的なインターフェースとして,明示的なスペクトル表現を確立した。
関連論文リスト
- Fully Rotation-Equivariant Spectral-Spatial Learning for Multispectral Object Detection [26.632380150006753]
FressDetは、マルチスペクトルオブジェクト検出のための、完全に回転同変のスペクトル空間学習フレームワークである。
スペクトル構造の連続的、秩序的な性質を捉え、ピラミッド準位にわたって信頼できるスペクトル-空間融合を可能にする。
FressDetは、回転摂動の下でもより差別的で堅牢なスペクトル空間表現を学習する。
論文 参考訳（メタデータ） (2026-07-06T14:29:51Z) - Full spectrum Unlearnable Examples via Spectral Equalization [29.22443621401928]
スペクトル等化(FUSE)によるフルスペクトル未学習例を提案する。
FUSEは、異なるバンドからのコントリビューションを等しくし、バンド間の一貫性を強制することにより、スペクトルに依存しない摂動を生成する。
複数のデータセット、アーキテクチャ、スペクトルフィルタリングにわたる実験は、FUSEによって達成された強力な保護を示す。
論文 参考訳（メタデータ） (2026-06-25T07:53:53Z) - Correcting Neural Operator Spectral Bias via Diffusion Posterior Sampling with Sparse Observations [0.0]
ニューラル作用素は、数値解法よりも桁違いに高速な近似PDE解を代理する。
磁場のスパースセンサー測定もしばしば利用可能であり、スペクトル歪みを伴わないポイントワイズ精度を提供する。
拡散後サンプリングフレームワークにおけるNO予測を補助観測として扱うことでこの問題に対処する。
論文 参考訳（メタデータ） (2026-06-02T17:26:15Z) - SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。
SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-15T07:26:54Z) - FRIGID: Scaling Diffusion-Based Molecular Generation from Mass Spectra at Training and Inference Time [52.735012862324766]
本稿では,質量スペクトルに条件付き構造を生成する新しい拡散言語モデルを用いたフレームワークFRIGIDを提案する。
スペクトル非一貫性フラグメントを同定することにより、前方フラグメンテーションモデルが推論時間スケーリングを実現する方法を示す。
さらなる実証分析により、FRIGIDは推論時間の増大を伴う対数線形性能のスケーリングを示すことが示された。
論文 参考訳（メタデータ） (2026-04-17T19:11:18Z) - StructSAM: Structure- and Spectrum-Preserving Token Merging for Segment Anything Models [57.674757786328236]
StructSAMは、Segment Anything Model(SAM)に適した解像度保存型マージアンマージフレームワークである
また,StructSAMはエンコーダFLOPsを25～30%削減し,mIoU/Diceに少量の低下を認めた。
また、スペクトルグラフ粗大化ビューでは、スコア誘導マージにより、ランダムまたはウィンドウ制限ベースラインと比較して、ラプラシアスペクトル歪みが有界となることを示す。
論文 参考訳（メタデータ） (2026-03-07T18:30:58Z) - Data-Driven Graph Filters via Adaptive Spectral Shaping [10.449640808601199]
本稿では,グラフフィルタリングのためのデータ駆動型フレームワークであるAdaptive Spectral Shapingを紹介する。
このフレームワークは、グラフ信号処理パイプラインとグラフニューラルネットワークにプラグインする、コンパクトなスペクトルモジュールを提供する。
論文 参考訳（メタデータ） (2026-02-03T16:20:49Z) - LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。
我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
論文 参考訳（メタデータ） (2025-06-20T14:48:42Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-09-14T00:40:07Z) - Equivariant Spherical Deconvolution: Learning Sparse Orientation
Distribution Functions from Spherical Data [0.0]
本稿では,単位球面上で定義される非負スカラー場のスパースデコンボリューションのための回転等価非監視学習フレームワークを提案する。
人体のマルチシェルデータセットにおけるトラクトグラフィーと部分体積推定の改善について述べる。
論文 参考訳（メタデータ） (2021-02-17T16:04:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。