論文の概要: Data-Driven Learning of Boolean Networks and Functions by Optimal
Causation Entropy Principle (BoCSE)
- arxiv url: http://arxiv.org/abs/2006.01023v1
- Date: Mon, 1 Jun 2020 15:42:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 07:43:42.588271
- Title: Data-Driven Learning of Boolean Networks and Functions by Optimal
Causation Entropy Principle (BoCSE)
- Title(参考訳): 最適因果エントロピー原理(BoCSE)によるブールネットワークと関数のデータ駆動学習
- Authors: Jie Sun, Abd AlRahman AlMomani, Erik Bollt
- Abstract要約: 我々は,従来の手法よりもはるかに効率的であることを示す新しい情報理論手法を開発した。
我々はこの新たな推論手法をブール最適因果エントロピー(BoCSE)と呼び、計算効率が良くノイズにも耐性があることを示す。
提案手法を実世界のいくつかの例で特徴選択に適用する。
- 参考スコア(独自算出の注目度): 1.5066601980780452
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Boolean functions and networks are commonly used in the modeling and analysis
of complex biological systems, and this paradigm is highly relevant in other
important areas in data science and decision making, such as in the medical
field and in the finance industry. Automated learning of a Boolean network and
Boolean functions, from data, is a challenging task due in part to the large
number of unknowns (including both the structure of the network and the
functions) to be estimated, for which a brute force approach would be
exponentially complex. In this paper we develop a new information theoretic
methodology that we show to be significantly more efficient than previous
approaches. Building on the recently developed optimal causation entropy
principle (oCSE), that we proved can correctly infer networks distinguishing
between direct versus indirect connections, we develop here an efficient
algorithm that furthermore infers a Boolean network (including both its
structure and function) based on data observed from the evolving states at
nodes. We call this new inference method, Boolean optimal causation entropy
(BoCSE), which we will show that our method is both computationally efficient
and also resilient to noise. Furthermore, it allows for selection of a set of
features that best explains the process, a statement that can be described as a
networked Boolean function reduced order model. We highlight our method to the
feature selection in several real-world examples: (1) diagnosis of urinary
diseases, (2) Cardiac SPECT diagnosis, (3) informative positions in the game
Tic-Tac-Toe, and (4) risk causality analysis of loans in default status. Our
proposed method is effective and efficient in all examples.
- Abstract(参考訳): ブール関数とネットワークは複雑な生物学的システムのモデリングと分析に一般的に用いられており、このパラダイムは医療分野や金融業界など、データサイエンスや意思決定の他の重要な分野と非常に関係がある。
データからブールネットワークとブール関数の自動学習は、ブルート力アプローチが指数関数的に複雑になるような、推定すべき未知数(ネットワーク構造と関数の両方を含む)が多数あるため、難しい課題である。
本稿では,従来の手法よりもはるかに効率的であることを示す新しい情報理論手法を考案する。
最近開発された最適因果エントロピー原理(oCSE)に基づいて、直接接続と間接接続を区別するネットワークを正しく推論できることを証明し、さらにノードの進化状態から観測されたデータに基づいてブールネットワーク(構造と関数の両方を含む)を推論する効率的なアルゴリズムを開発した。
本稿では,この手法をBoolean optimal causation entropy (BoCSE) と呼ぶ。
さらに、プロセスを説明するための一連の機能を選択することも可能で、これはネットワーク化されたブール関数還元順序モデルとして記述できるステートメントである。
本手法は,(1)尿路疾患の診断,(2)心臓SPECT診断,(3)ゲームTic-Tac-Toeにおける情報的位置,(4)デフォルト状態におけるローンのリスク因果性分析などの実例において,特徴選択に重点を置いている。
提案手法は全例において有効かつ効率的である。
関連論文リスト
- Neural Algorithmic Reasoning with Causal Regularisation [18.299363749150093]
我々は重要な観察を行う: アルゴリズムが特定の中間計算を同一に実行する多くの異なる入力が存在する。
この洞察により、アルゴリズムの中間軌道が与えられた場合、ターゲットアルゴリズムが全く同じ次の軌道ステップを持つような入力を生成するデータ拡張手順を開発することができる。
我々は、Hint-Relicと呼ばれる結果の手法が、推論器のOOD一般化能力を改善することを証明した。
論文 参考訳(メタデータ) (2023-02-20T19:41:15Z) - Acceleration techniques for optimization over trained neural network
ensembles [1.0323063834827415]
本研究では, 線形単位活性化の補正されたフィードフォワードニューラルネットワークを用いて, 目的関数をモデル化する最適化問題について検討する。
本稿では,1つのニューラルネットワークを最適化するために,既存のBig-M$の定式化をベースとした混合整数線形プログラムを提案する。
論文 参考訳(メタデータ) (2021-12-13T20:50:54Z) - End-to-End Learning of Deep Kernel Acquisition Functions for Bayesian
Optimization [39.56814839510978]
ニューラルネットワークに基づくカーネルを用いたベイズ最適化のためのメタラーニング手法を提案する。
我々のモデルは、複数のタスクから強化学習フレームワークによって訓練されている。
3つのテキスト文書データセットを用いた実験において,提案手法が既存の手法よりも優れたBO性能を実現することを示す。
論文 参考訳(メタデータ) (2021-11-01T00:42:31Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳(メタデータ) (2021-05-27T12:27:24Z) - Bayesian Structural Learning for an Improved Diagnosis of Cyber-Physical
Systems [0.8379286663107844]
本稿では,構造化診断モデルの自動学習のためのスケーラブルアルゴリズムを提案する。
比較アルゴリズムと同等のパフォーマンスを提供し、解釈性を向上させます。
論文 参考訳(メタデータ) (2021-04-02T11:14:05Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
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。