Search research articles

お問い合わせ

関連する概念動画

Model Approaches for Pharmacokinetic Data: Distributed Parameter Models

Model Approaches for Pharmacokinetic Data: Distributed Parameter Models

Pharmacokinetic models are mathematical constructs that represent and predict the time course of drug concentrations in the body, providing meaningful pharmacokinetic parameters. These models are categorized into compartment, physiological, and distributed parameter models.
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え

Same author

Novelty Detection in Underwater Acoustic Environments for Maritime Surveillance Using an Out-of-Distribution Detector for Neural Networks.

Sensors (Basel, Switzerland)·2026

Same author

Real-Time Structural Health Monitoring of Reinforced Concrete Under Seismic Loading Using Dynamic OFDR.

Sensors (Basel, Switzerland)·2025

Same author

Synthesis of Y<sub>2</sub>O<sub>3</sub> Oxide Dispersion-Strengthened Ti-6Al-2Sn-4Zr-2Mo Alloy Powder by In Situ Gas Atomization Method.

Materials (Basel, Switzerland)·2025

Same author

Cluster-Based Pairwise Contrastive Loss for Noise-Robust Speech Recognition.

Sensors (Basel, Switzerland)·2024

Same author

Strong Room-Temperature Ferromagnetism of MoS<sub>2</sub> Compound Produced by Defect Generation.

Nanomaterials (Basel, Switzerland)·2024

Same author

Manipulating the Cathodic Modification Effect on Corrosion Resistance of High Corrosion-Resistant Titanium Alloy.

Materials (Basel, Switzerland)·2023

JoVEについて

概要リーダーシップブログ JoVEヘルプセンター

著者向け

出版プロセス編集委員会範囲と方針査読よくある質問投稿

図書館員向け

推薦の声購読アクセスリソース図書館諮問委員会よくある質問

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments アーカイブ

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教員リソースセンター教員サイト

プライバシーポリシー

Search research articles

関連する実験動画

Updated: Sep 9, 2025

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Published on: December 18, 2016

グラフ拡散モデルを用いた分散音響センシングにおける時空異常検出

Seunghun Jeong¹, Huioon Kim², Young Ho Kim²

¹Department of AI Convergence, Gwangju Institute of Science and Technology, Gwangju 61005, Republic of Korea.

Sensors (Basel, Switzerland)

|August 28, 2025

まとめ

新しい GraphDiffusion モデルは,空間的トポロジーを保存することにより,分散型音響センシング (DAS) データにおける異常検出を強化します. この方法は,複雑なセンサーネットワークの偏差を正確に特定することで,インフラストラクチャのモニタリングを改善します.

キーワード:

アノマリー検出拡散モデル分散音響センシングジェネラティブモデルグラフニューラルネットワーク空間・時間モデリング

さらに関連する動画

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

関連する実験動画

Last Updated: Sep 9, 2025

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Published on: December 18, 2016

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

科学分野:

地理学
データサイエンス
インフラストラクチャの監視

背景:

分散型音響センサー (DAS) は,大規模なインフラストラクチャの監視に不可欠であり,密度の高い空間と時間のデータを提供します.
DASデータにおける異常検出は,空間的な相関関係と非線形時間動力学のために困難です.
現在の方法はしばしばセンサーのレイアウトを無視し,データを画像またはシーケンスとして処理し,空間的トポロジーを失います.

研究の目的:

DASデータのための新しい生成異常検出モデルであるGraphDiffusionを導入します.
DASセンサーの空間的配置を明示的にモデル化し,チャネル間の依存性を捉える.
空間と時間の情報を保存することによって,異常検出の精度を向上させる.

主な方法:

GraphDiffusionを開発し,条件付き分散型確率モデル (DDPM) とグラフニューラルネットワーク (GNN) を組み合わせた.
グラフのノードとしてDASチャネルを表現し,エッジはモデル空間レイアウトのEuclidean近さに基づいています.
条件付きDDPMでイテラティブ・デノイジングを使用して,通常の信号のタイムダイナミクスを学習します.

主要な成果:

GraphDiffusionは,実際のDASデータセットで98. 2%のF1K-AUCと98. 0%のROCK-AUCを達成しました.
このモデルは比較的な異常検出方法よりも優れている.
空間的トポロジーを明示的にモデル化することで,異常の検出が改善されました.

結論:

GraphDiffusionは,空間と時間の情報を統合することによって,DASデータにおける異常を効果的に検出します.
GNN-DDPMアプローチは,センサーのレイアウトを無視する既存の方法の限界を克服します.
このモデルはDASを用いた信頼性の高いインフラストラクチャの監視に大きく貢献します.