論文の概要: Decoding Mixture Perception through Computational Modeling of Component Interactions

• arxiv url: http://arxiv.org/abs/2609.11958v1
• Date: Mon, 10 Aug 2026 15:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.506022
• Title: Decoding Mixture Perception through Computational Modeling of Component Interactions
• Title（参考訳）: 成分相互作用の計算モデルによる混合知覚の復号
• Abstract要約: ウルフアクションは、危険差別、感情経験、記憶形成を行う人にとって重要なチャンネルである。 混合組成物の複雑さ、および濃度依存性飽和効果と受容体特異的アクティベーション閾値は、嗅覚特性を同定する上で大きな課題となる。 混合物の正確な匂い認識のためのバイオインスパイアされた新しい深層学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.38142844165059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Olfaction played an indispensable role throughout human evolution and civilization. Even in the contemporary era of advanced technology, olfaction remains a critical channel for person to conduct danger discrimination, emotional experience, and memory formation. However, most substances in nature exist as multi-molecule mixtures. The complexity of mixture compositions, as well as concentration dependent saturation effects and receptor specific activation thresholds, pose substantial challenges in identifying olfactory characteristics. In this study, we proposed a novel bio inspired deep learning framework for accurate odor perception recognition of mixtures. We robustly constructed neural response curves for molecule-receptor interactions, and developed a fusion strategy that integrates attention-weighted multi-receptor curves with concentration-dependent multi-molecule curves, replicating the competitive activation and synergistic integration of mixture components. Furthermore, by comparing the consistency of response curve patterns, the model can transfer knowledge from the semantically rich space of molecular associations to guide recognition of mixture perception characteristics. Therefore, we established a complete computational pathway from chemical blending, neural encoding, to perceptual formation. Finally, we conducted comprehensive evaluation, and results demonstrated exceptional superiority, achieving an accuracy of 92.2%. Consequently, our work provides a generalizable solution to the long standing mixture perception challenge. More importantly, it can be integrated into embodied cognitive systems to enhance the agents perceptual and interactive capabilities in complex scenarios.
• Abstract（参考訳）: オルフアクションは人類の進化と文明を通じて不可欠の役割を果たした。 現代の先進技術の時代でさえ、オオカクティクスは危険な差別、感情経験、記憶形成を行う人々にとって重要な手段である。 しかし、自然界のほとんどの物質は多分子混合物として存在する。 混合組成物の複雑さ、および濃度依存性飽和効果と受容体特異的アクティベーション閾値は、嗅覚特性を同定する上で大きな課題となる。 本研究では,混合物の正確な匂い認識のためのバイオインスパイアされた新しい深層学習フレームワークを提案する。 分子-受容体相互作用のための神経応答曲線を強固に構築し、注目重み付き多分子曲線と濃度依存型多分子曲線を統合し、競合活性化と混合成分の相乗的統合を再現する融合戦略を開発した。 さらに、応答曲線パターンの整合性を比較することにより、分子結合のセマンティックにリッチな空間から知識を伝達し、混合知覚特性の認識を導くことができる。 そこで我々は, 化学ブレンディング, ニューラルエンコーディング, 知覚形成までの完全な計算経路を確立した。 最後に総合評価を行い,92.2%の精度で優れた結果を得た。 その結果,本研究は長期混合知覚課題に対する一般化可能な解法を提供する。 さらに重要なのは、複雑なシナリオにおけるエージェントの知覚的および対話的能力を高めるために、エンボディ認知システムに統合することができることだ。

関連論文リスト

• Optimize Surgical Triplet Recognition: A Knowledge-Driven Mixture-of-Experts Solution [52.149337961205624]
  本稿では知識駆動学習を利用したMixture-of-Experts-Guided Co-Optimizationフレームワークを提案する。 カテゴリーレベルの競合に対処するための協調的な勾配学習戦略を開発する。 特に、外科領域の専門知識に触発されて、知識駆動型ミックス・オブ・エキスパート機構を導入する。
  論文  参考訳（メタデータ） (2026-08-24T08:32:53Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• A Systematic Evaluation of Molecular Mixture Behavior Prediction [0.0]
  本稿では,混合確率誤差を純粋成分と相互作用成分(非理想成分)に分解する評価フレームワークを提案する。 強い絶対精度は、非理想的混合行動の回復不良を隠蔽できることを示す。 これらの結果は、未知の分子への移動が、分子混合機械学習における中心的な課題であることを示している。
  論文  参考訳（メタデータ） (2026-05-28T09:58:59Z)
• ChemVA: Advancing Large Language Models on Chemical Reaction Diagrams Understanding [56.94419746470799]
  大規模言語モデル (LLM) は、科学的なテキスト処理に革命をもたらしたが、化学反応図を解釈する際には、大きな能力ギャップが現れる。 本稿では,視覚アンカー機構を用いたケミカルビジュアルアクティベーション(ChemVA)フレームワークを提案する。 我々は,高密度な視覚・セマンティックな文脈を特徴とする新たに構築されたデータセットであるOCRD-Benchに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-05-17T01:12:50Z)
• InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization [77.79862482208326]
  InversionGNNは、多目的薬物発見のための有効だがサンプル効率のよいデュアルパスグラフニューラルネットワーク(GNN)である。 関数群の最適組み合わせに関する知識を得るために,マルチプロパティ予測のためのモデルを訓練する。 そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-03T12:53:36Z)
• Deep Signature: Characterization of Large-Scale Molecular Dynamics [29.67824486345836]
  ディープシグナチャ(Deep Signature)は、複雑な力学と原子間相互作用を特徴付ける、計算的に抽出可能な新しいフレームワークである。 提案手法では,協調力学を局所的に集約してシステムのサイズを小さくするソフトスペクトルクラスタリングと,非滑らかな対話力学のグローバルな評価を行うシグネチャ変換を取り入れた。
  論文  参考訳（メタデータ） (2024-10-03T16:37:48Z)
• Advancing Drug Discovery with Enhanced Chemical Understanding via Asymmetric Contrastive Multimodal Learning [23.85388398199658]
  非対称コントラスト型マルチモーダルラーニング(ACML)を導入し,分子理解を高め,創薬の進歩を加速する。 ACMLは効果的な非対称コントラスト学習の力を利用して、様々な化学修飾物から分子グラフ表現への情報をシームレスに伝達する。 このフレームワークの有効性を,大規模な相互モダリティ検索と異性判別タスクによって実証する。
  論文  参考訳（メタデータ） (2023-11-11T01:58:45Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
  これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。 フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。 FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
  論文  参考訳（メタデータ） (2021-09-15T12:49:13Z)

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。