Neural Integral Operators for Inverse problems in Spectroscopy

要約

深い学習は、十分なデータが利用可能な場合、分光逆問題の高性能を示しています。
しかし、多くの場合、分光法のデータが乏しく、これは通常、深い学習方法で深刻な過剰適合の問題を引き起こします。
データセットが小さい場合、従来の機械学習方法は実行可能ですが、これらの方法の精度と適用性は一般的に制限されています。
最初の種類の積分方程式を介した学習積分演算子に基づいて分子スペクトルを分類するための深い学習方法を紹介します。これは、他の深い学習モデルと比較して、小さなデータセットの問題の過剰適合によって影響を受けるアルゴリズムになります。
深い学習アプローチの問題の定式化は、分光法で重要な用途を伝統的に発見してきた逆問題に基づいています。
実世界データの実験を実行して、アルゴリズムを紹介します。
モデルは、決定ツリーやサポートベクターマシンなどの従来の機械学習アプローチを上回ることがわかり、小さなデータセットでは他の深い学習モデルよりも優れています。
したがって、私たちの方法論は深い学習の力を活用しますが、利用可能なデータが非常に限られている場合、パフォーマンスを維持します。これは、データセットが多くの場合わずかなサイズの時間である分光法で深い学習が直面する主な問題の1つです。

要約(オリジナル)

Deep learning has shown high performance on spectroscopic inverse problems when sufficient data is available. However, it is often the case that data in spectroscopy is scarce, and this usually causes severe overfitting problems with deep learning methods. Traditional machine learning methods are viable when datasets are smaller, but the accuracy and applicability of these methods is generally more limited. We introduce a deep learning method for classification of molecular spectra based on learning integral operators via integral equations of the first kind, which results in an algorithm that is less affected by overfitting issues on small datasets, compared to other deep learning models. The problem formulation of the deep learning approach is based on inverse problems, which have traditionally found important applications in spectroscopy. We perform experiments on real world data to showcase our algorithm. It is seen that the model outperforms traditional machine learning approaches such as decision tree and support vector machine, and for small datasets it outperforms other deep learning models. Therefore, our methodology leverages the power of deep learning, still maintaining the performance when the available data is very limited, which is one of the main issues that deep learning faces in spectroscopy, where datasets are often times of small size.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google