論文の概要: Pattern Denoising in Molecular Associative Memory using Pairwise Markov
Random Field Models
- arxiv url: http://arxiv.org/abs/2005.13780v4
- Date: Wed, 17 Jun 2020 06:09:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:09:25.483600
- Title: Pattern Denoising in Molecular Associative Memory using Pairwise Markov
Random Field Models
- Title(参考訳): Pairwise Markov Random Field Model を用いた分子連想記憶におけるパターン認識
- Authors: Dharani Punithan and Byoung-Tak Zhang
- Abstract要約: 本稿では, パターン学習, 記憶, 認知のためのインサイリコ分子連想メモリモデルを提案する。
PMRFを用いた分子連想メモリモデルでは,露出した例から局所的な特徴を抽出する。
分子シミュレーションの結果,学習パターンと識別パターンの平均2乗誤差は低いことがわかった。
- 参考スコア(独自算出の注目度): 24.211255523490692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an in silico molecular associative memory model for pattern
learning, storage and denoising using Pairwise Markov Random Field (PMRF)
model. Our PMRF-based molecular associative memory model extracts locally
distributed features from the exposed examples, learns and stores the patterns
in the molecular associative memory and denoises the given noisy patterns via
DNA computation based operations. Thus, our computational molecular model
demonstrates the functionalities of content-addressability of human memory. Our
molecular simulation results show that the averaged mean squared error between
the learned and denoised patterns are low (< 0.014) up to 30% of noise.
- Abstract(参考訳): Pairwise Markov Random Field (PMRF) モデルを用いて, パターン学習, 記憶, 認知のためのインサイリコ分子連想メモリモデルを提案する。
PMRFをベースとした分子連想記憶モデルは、露出した例から局所的に分布した特徴を抽出し、分子連想記憶のパターンを学習し、記憶し、DNA計算に基づく操作によって与えられた雑音パターンを識別する。
したがって, 計算分子モデルは, 人間の記憶の内容適応性の機能を実証する。
分子シミュレーションの結果,学習パターンと復調パターンの平均2乗誤差は,ノイズの30%まで低い(0.014)ことがわかった。
関連論文リスト
- Inverse Molecular Design with Multi-Conditional Diffusion Guidance [18.116751654677905]
マルチ条件拡散誘導を導入する。
Transformerベースのデノナイジングモデルは、数値的およびカテゴリー的条件の表現を学習する条件エンコーダを備えている。
我々は多条件ポリマーと小分子生成モデルについて広範囲に検証した。
論文 参考訳(メタデータ) (2024-01-24T23:45:31Z) - Deep Networks as Denoising Algorithms: Sample-Efficient Learning of
Diffusion Models in High-Dimensional Graphical Models [22.353510613540564]
生成モデルにおけるディープニューラルネットワークによるスコア関数の近似効率について検討する。
楽譜関数はしばしば変分推論法を用いてグラフィカルモデルでよく近似される。
深層ニューラルネットワークによってスコア関数が学習されるとき,拡散に基づく生成モデルに縛られた効率的なサンプル複雑性を提供する。
論文 参考訳(メタデータ) (2023-09-20T15:51:10Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。
言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
論文 参考訳(メタデータ) (2022-01-08T00:47:50Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - Hippocampal formation-inspired probabilistic generative model [1.3858051019755282]
ヒト海馬形成(HPF)誘発確率生成モデル(HPF-PGM)の構築
PGMで脳領域をモデル化することで、全脳PGMとして統合できるモジュールとして位置づけられています。
論文 参考訳(メタデータ) (2021-03-12T15:46:52Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - A Rigorous Link Between Self-Organizing Maps and Gaussian Mixture Models [78.6363825307044]
本研究は、自己組織化マップ(SOM)とガウス混合モデル(GMM)の関係を数学的に扱うものである。
我々は,エネルギーベースSOMモデルを勾配勾配下降と解釈できることを示した。
このリンクはSOMsを生成確率モデルとして扱うことができ、SOMsを使用して外れ値を検出したりサンプリングしたりするための正式な正当性を与える。
論文 参考訳(メタデータ) (2020-09-24T14:09:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。