面向干扰情境下鲁棒化学检测的具峰值感知注意力的条件生成框架
机器学习
2026-01-30 v1 人工智能
摘要
气相色谱-质谱 (GC-MS) 是化学物质检测中广泛使用的方法，但在存在干扰物的情况下，测量可靠性往往会下降。特别是，干扰物会导致非特异性峰、滞留时间偏移以及增加背景噪声，从而导致灵敏度降低和误报。为克服这些挑战，本文提出一种基于峰值感知条件生成模型的人工智能判别框架，以提高干扰条件下 GC-MS 测量的可靠性。该框架通过一种新颖的峰值感知机制进行学习，可突出显示 GC-MS 数据的特征峰，从而更忠实地生成重要的光谱特征。此外，化学信息和溶剂信息被编码到嵌入向量中，允许条件生成对抗神经网络 (CGAN) 在实验条件下生成与之一致的合成 GC-MS 信号。这生成了假设化学物质数据中间接情况的数据集，而无需进行实际实验。使用这些数据训练基于人工智能的 GC-MS 判别模型，以帮助准确化学物质判别。我们对生成的模拟数据进行了各种定量和定性评估，以验证所提出框架的有效性。我们还验证了生成模型如何提高人工智能判别框架的性能。值得注意的是，所提出的方法在判别模型中始终能够实现余弦相似度和皮尔逊相关系数值超过 0.9，同时保持峰值数量多样性并降低误报率。
引用
@article{arxiv.2601.21246,
title = {Conditional Generative Framework with Peak-Aware Attention for Robust Chemical Detection under Interferences},
author = {Namkyung Yoon and Sanghong Kim and Hwangnam Kim},
journal= {arXiv preprint arXiv:2601.21246},
year = {2026}
}
备注
24 pages, 5 figures