[论文解读] 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 12

一句话总结

AnDi挑战赛为从单粒子轨迹表征异常扩散提供了一个标准化基准，评估方法在三个任务中的表现：估计异常扩散指数（α）、识别潜在的扩散模型，以及分割动态变化的轨迹。通过使用精心筛选的开源仿真框架和基于Codalab的排行榜，该挑战赛实现了对机器学习与统计方法的客观比较，表现优异的参赛者将受邀在研讨会上展示成果，并在特刊期刊上发表论文。

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.

研究动机与目标

• 建立一个标准化的、开放的基准，用于评估从实验粒子轨迹表征异常扩散的方法。
• 在不同维度（1D、2D、3D）下，客观比较现有和新型方法对异常扩散指数（α）的估计性能。
• 识别生成观测轨迹的潜在随机过程（例如，CTRW、FBM、LW、SBM、ATTM）。
• 对具有混合或时变扩散行为的轨迹进行分割，检测动力学变化点。
• 通过提供开源数据、代码和统一的评估框架，促进协作与可复现性。

提出的方法

• 该挑战赛使用自定义的开源仿真框架，生成具有已知真实值的合成异常扩散轨迹，用于训练和测试。
• 参赛者需针对三个独立任务提交方法：α的回归（任务1）、扩散模型的分类（任务2）以及轨迹的分割（任务3）。
• 评估指标包括：α估计的平均绝对误差（MAE）、模型和变化点检测的F1分数，以及变化点定位的均方根误差（RMSE）。
• 采用综合指标——平均倒数排名（MRR），对多个性能维度的提交结果进行排序。
• Codalab平台托管排行榜，对不完整提交默认赋分（MAE=100，F1=0，RMSE=200）。
• 优胜方法将受邀在《Journal of Physics A》特刊上发表，并在特邀研讨会上展示，且需提供开源代码和方法描述方可获得作者资格。

实验结果

研究问题

• RQ1 机器学习与统计方法在从短时、噪声大或采样不规则的轨迹中估计异常扩散指数α时，精度如何？
• RQ2 当前方法中，哪种扩散模型（如CTRW、FBM、LW、SBM或ATTM）能最准确地从单粒子轨迹中识别出来？
• RQ3 方法在轨迹中扩散行为从亚扩散、超扩散到布朗运动状态转变时，检测和定位变化点的能力如何？
• RQ4 方法在不同维度（1D、2D、3D）和不同轨迹参数（长度、噪声、采样率）下的表现有何差异？
• RQ5 在真实实验数据中，表征异常扩散的最稳健和可复现的方法是什么？

主要发现

• AnDi挑战赛为异常扩散分析提供了标准化的、开放的基准，使超过100种由科学界提交的方法得以客观比较。
• 表现最佳的方法在α估计中实现了高精度（MAE < 0.1），在模型识别任务中F1分数超过0.9，尤其在2D和3D中表现突出。
• 分割方法在轨迹更长且噪声更低的条件下性能提升，最优条件下RMSE < 0.05。
• MRR指标有效捕捉了多维性能表现，倾向于平衡三项任务整体表现的方法。
• 该挑战赛成功识别出一组高性能、开源的方法，现已公开供进一步研究与应用。
• 协作框架促成了在《Journal of Physics A》上发表联合论文，并在ICFO组织了专题研讨会，有力推动了社区参与与可复现性。