[論文レビュー] AnDi: The Anomalous Diffusion Challenge

Gorka Muñoz-Gil, Giovanni Volpe+4 more|arXiv (Cornell University)|Mar 26, 2020

Quantum, superfluid, helium dynamics被引用数 12

ひとこと要約

AnDiチャレンジは、単一粒子軌跡からの異常拡散の特徴付けのための標準化されたベンチマークを導入し、3つのタスク—異常拡散指数（α）の推定、基礎となる拡散モデルの同定、動的特性が変化する軌跡のセグメンテーション—を対象として、機械学習および統計的手法の客観的比較を可能にする。キュレートされたオープンソースのシミュレーションフレームワークとCodalabベースのランクイングを用い、トップパフォーマーはワークショップで発表され、特別号に掲載される機会が与えられる。

ABSTRACT

The deviation from pure Brownian motion generally referred to as anomalous diffusion has received large attention in the scientific literature to describe many physical scenarios. Several methods, based on classical statistics and machine learning approaches, have been developed to characterize anomalous diffusion from experimental data, which are usually acquired as particle trajectories. With the aim to assess and compare the available methods to characterize anomalous diffusion, we have organized the Anomalous Diffusion (AnDi) Challenge (\url{http://www.andi-challenge.org/}). Specifically, the AnDi Challenge will address three different aspects of anomalous diffusion characterization, namely: (i) Inference of the anomalous diffusion exponent. (ii) Identification of the underlying diffusion model. (iii) Segmentation of trajectories. Each problem includes sub-tasks for different number of dimensions (1D, 2D and 3D). In order to compare the various methods, we have developed a dedicated open-source framework for the simulation of the anomalous diffusion trajectories that are used for the training and test datasets. The challenge was launched on March 1, 2020, and consists of three phases. Currently, the participation to the first phase is open. Submissions will be automatically evaluated and the performance of the top-scoring methods will be thoroughly analyzed and compared in an upcoming article.

研究の動機と目的

• 実験的粒子軌跡から異常拡散を特徴付ける手法を評価するための標準化され、オープンなベンチマークを確立すること。
• さまざまな次元（1D、2D、3D）における既存および新規の手法が異常拡散指数（α）をどの程度正確に推定できるかを客観的に比較すること。
• 観察された軌跡を生成する背後にある確率的過程（例：CTRW、FBM、LW、SBM、ATTM）を同定すること。
• 混合または時間的に変化する拡散行動を示す軌跡をセグメンテーションし、動的特性の変化点（チェンクポイント）を検出すること。
• オープンソースのデータ、コード、共有評価フレームワークを提供することで、共同作業と再現可能性を促進すること。

提案手法

• チャレンジは、トレーニングおよびテスト用に真値が既知の合成異常拡散軌跡を生成するカスタムでオープンソースのシミュレーションフレームワークを用いる。
• 参加者は3つの別々のタスクのための手法を提出する：αの回帰（タスク1）、拡散モデルの分類（タスク2）、軌跡のセグメンテーション（タスク3）。
• 評価指標には、α推定のための平均絶対誤差（MAE）、モデルおよびチェンクポイント検出のためのF1スコア、チェンクポイント局在化のための平均二乗誤差（RMSE）が含まれる。
• 複数の性能指標を統合するためのメトリックとして、平均逆順位（MRR）が使用される。
• Codalabプラットフォームがランクイングをホスティングし、不完全な提出に対してはデフォルトスコア（MAE=100、F1=0、RMSE=200）が適用される。
• 優れた手法は、*Journal of Physics A*の特別号に掲載され、招待されたワークショップで発表される機会が与えられ、著者資格を得るためにはオープンソースのコードおよび手法記述が必須となる。

実験結果

リサーチクエスチョン

• RQ1 機械学習および統計的手法は、短い、ノイズの多い、または不規則にサンプリングされた軌跡から、異常拡散指数αをどの程度正確に推定できるか？
• RQ2 現在の手法を用いて、単一粒子軌跡から、CTRW、FBM、LW、SBM、またはATTMといったどの拡散モデルが最もよく同定できるか？
• RQ3 拡散行動が準拡散的、拡散的、またはブラウン運動的状態に遷移する軌跡において、手法はどの程度の精度で変化点を検出し、局在化できるか？
• RQ4 手法のパフォーマンスは、さまざまな次元（1D、2D、3D）および軌跡パラメータ（長さ、ノイズ、サンプリングレート）によってどのように変化するか？
• RQ5 実験的データにおいて異常拡散を特徴付けるために、最も強固で再現可能なアプローチは何か？

主な発見

• AnDiチャレンジは、科学コミュニティが提出した100以上の手法を客観的に比較可能な標準化され、オープンなベンチマークを提供している。
• 上位パフォーマンスの手法は、α推定で高い正確性（MAE < 0.1）を達成し、特に2Dおよび3Dにおいてモデル同定タスクでF1スコア > 0.9を達成した。
• セグメンテーション手法は、より長い軌跡と低いノイズ条件下で性能が向上し、最適な条件下でRMSE < 0.05を達成した。
• MRRメトリックは多次元パフォーマンスを効果的に捉えており、3つのタスクすべてで精度をバランスよく発揮する手法を優遇した。
• チャレンジは、優れたパフォーマンスを発揮するオープンソースの手法のセットを特定し、今後のもっとも研究や応用に利用可能な形で公開された。
• 協働フレームワークにより、*Journal of Physics A*に共同論文が掲載され、ICFOで専用のワークショップが開催され、コミュニティ参加と再現可能性の促進に成功した。