[논문 리뷰] Machine learning method for single trajectory characterization

Gorka Muñoz-Gil, Miguel Ángel García-March외 3명|arXiv (Cornell University)|2019. 03. 07.

Diffusion and Search Dynamics참고 문헌 37인용 수 41

한 줄 요약

랜덤 포레스트 기반 접근법은 확산 모델로 단일 입자 궤적을 분류하고 비정상 확산 지수(alpha)를 추정하며, 짧은 길이와 노이즈에 강하고 실험 데이터로의 전이 학습을 통해 robustness를 보입니다.

ABSTRACT

In order to study transport in complex environments, it is extremely important to determine the physical mechanism underlying diffusion, and precisely characterize its nature and parameters. Often, this task is strongly impacted by data consisting of trajectories with short length and limited localization precision. In this paper, we propose a machine learning method based on a random forest architecture, which is able to associate even very short trajectories to the underlying diffusion mechanism with a high accuracy. In addition, the method is able to classify the motion according to normal or anomalous diffusion, and determine its anomalous exponent with a small error. The method provides highly accurate outputs even when working with very short trajectories and in the presence of experimental noise. We further demonstrate the application of transfer learning to experimental and simulated data not included in the training/testing dataset. This allows for a full, high-accuracy characterization of experimental trajectories without the need of any prior information.

연구 동기 및 목표

• 단일 궤적을 특징화하여 근본적인 확산 모델(CTRW, FBM, LW, ATTM)을 식별한다.
• 단일 궤적으로부터 비정상 확산 지수 alpha를 추정한다.
• 짧은 궤적 길이와 측정 노이즈에 대한 강건성을 입증한다.
• 시뮬레이션 데이터에서 실험 데이터로의 전이 학습 능력을 보여준다.

제안 방법

• 스케일 불변 분석을 가능하게 하는 표준화된 전처리 표현으로 궤적을 변환한다.
• CTRW, FBM, Lévy walks, ATTM의 시뮬레이션 궤적에서 Random Forest를 학습시켜 확산 모델을 분류한다.
• RF 회귀를 사용하여 단일 궤적으로부터 비정상 지수 alpha를 예측한다.
• 변위를 정규화하고 RF 입력용으로 정규화된 궤적을 구성하는 전처리를 적용한다.
• 노이즈와 짧은 궤적 길이에 대한 강건성을 입증하고 실험 데이터 세트에 대한 전이 학습을 수행한다.

실험 결과

연구 질문

• RQ1 단일 짧은 궤적으로부터 Random Forest가 확산 모델을 정확하게 구분할 수 있는가?
• RQ2 단일 궤적으로부터 비에르고딕 사례를 포함하여 비정상 확산 지수 alpha를 신뢰성 있게 추정할 수 있는가?
• RQ3 노이즈 및 제한된 궤적 길이에 대한 접근법의 강건성은 어느 정도인가?
• RQ4 모델이 시뮬레이션 데이터에서 실험 단일 궤적 데이터 세트로의 전이 학습을 할 수 있는가?

주요 결과

• 전처리를 사용해 짧은 시간 특징을 유지할 때 특히 확산 모델을 구분하는 데 RF가 높은 정확도를 달성한다.
• 노이즈 없는 서브확산 데이터에서 tmax=1000일 때 MAE가 약 0.11로 비정상 지수를 예측하며, 예측의 약 80%가 실제 값에 0.1 이내이다.
• 짧은 궤도(10 포인트)에서도 모델 구분 정확도가 비교적 높게 유지되며, 약간 저하가 있다.
• RF 예측은 가우시안 로컬라이제이션 노이즈가 sigma_n이 1에 가까워질 때까지 견고하며, 더 높은 노이즈에서 오차가 증가한다.
• 전이 학습이 성공적으로 실험 데이터 세트(예: 구획 확산, 박테리아 mRNA, 막 수용체)를 분류하고 이전 분석과 일치하는 alpha 추정치를 제공한다.
• 모델별 데이터 세트로 학습하면 서로 연관된 모델 간 오분류를 줄일 수 있다(예: CTRW와 ATTM).