論文の概要: Population-Based Black-Box Optimization for Biological Sequence Design
- arxiv url: http://arxiv.org/abs/2006.03227v2
- Date: Sat, 11 Jul 2020 00:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 02:24:13.106838
- Title: Population-Based Black-Box Optimization for Biological Sequence Design
- Title(参考訳): 生物配列設計のための集団ベースブラックボックス最適化
- Authors: Christof Angermueller, David Belanger, Andreea Gane, Zelda Mariet,
David Dohan, Kevin Murphy, Lucy Colwell, D Sculley
- Abstract要約: そこで我々は,P3BO(Population-based Black-Box Optimization)を提案する。
以上の結果から,P3BOは,より高品質なシーケンスと多種多様なバッチを提案できる。
- 参考スコア(独自算出の注目度): 20.636775869374254
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The use of black-box optimization for the design of new biological sequences
is an emerging research area with potentially revolutionary impact. The cost
and latency of wet-lab experiments requires methods that find good sequences in
few experimental rounds of large batches of sequences--a setting that
off-the-shelf black-box optimization methods are ill-equipped to handle. We
find that the performance of existing methods varies drastically across
optimization tasks, posing a significant obstacle to real-world applications.
To improve robustness, we propose Population-Based Black-Box Optimization
(P3BO), which generates batches of sequences by sampling from an ensemble of
methods. The number of sequences sampled from any method is proportional to the
quality of sequences it previously proposed, allowing P3BO to combine the
strengths of individual methods while hedging against their innate brittleness.
Adapting the hyper-parameters of each of the methods online using evolutionary
optimization further improves performance. Through extensive experiments on
in-silico optimization tasks, we show that P3BO outperforms any single method
in its population, proposing higher quality sequences as well as more diverse
batches. As such, P3BO and Adaptive-P3BO are a crucial step towards deploying
ML to real-world sequence design.
- Abstract(参考訳): 新たな生物配列の設計にブラックボックス最適化を用いることは、潜在的に革命的な影響を持つ新たな研究分野である。
ウェットラボ実験のコストと待ち時間には、いくつかの実験的なバッチで良好なシーケンスを見つける方法が必要となる。
既存の手法の性能は最適化タスクによって大きく異なり、現実のアプリケーションにとって大きな障害となる。
ロバスト性を改善するため,提案手法のアンサンブルからサンプリングしてシーケンスのバッチを生成するP3BO(Population-Based Black-Box Optimization)を提案する。
任意の方法からサンプリングされた配列の数は、以前に提案した配列の品質に比例し、P3BOは個々の手法の強度を自然の脆さに対抗しながら組み合わせることができる。
オンライン上の各メソッドのハイパーパラメータを進化的最適化を用いて適応させることで、パフォーマンスはさらに向上する。
シリコン内最適化タスクに関する広範な実験を通じて、P3BOは、より高品質なシーケンスとより多様なバッチを提案しながら、その集団において、どの方法よりも優れていることを示す。
このように、P3BOとAdaptive-P3BOは、MLを現実世界のシーケンス設計にデプロイするための重要なステップである。
関連論文リスト
- PMBO: Enhancing Black-Box Optimization through Multivariate Polynomial
Surrogates [0.0]
我々は、PMBO(Polynomial-based Optimization)と呼ばれるサロゲートベースのブラックボックス最適化手法を導入する。
PMBOの性能を解析的テスト関数の集合に対するいくつかの最適化手法と比較する。
興味深いことに、PMBOは最先端の進化アルゴリズムと互換性がある。
論文 参考訳(メタデータ) (2024-03-12T10:21:21Z) - Enhanced Bayesian Optimization via Preferential Modeling of Abstract
Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。
優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文 参考訳(メタデータ) (2024-02-27T09:23:13Z) - Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳(メタデータ) (2024-02-05T02:54:50Z) - Enhancing Optimization Through Innovation: The Multi-Strategy Improved
Black Widow Optimization Algorithm (MSBWOA) [11.450701963760817]
本稿では,MSBWOA(Multi-Strategy Improved Black Widow Optimization Algorithm)を提案する。
複雑な最適化問題の解法において、標準的なブラックウィドウアルゴリズム(BW)の性能を向上させるように設計されている。
これは、多様性と初期の探索能力を高めるためにテントカオスマッピングを用いて人口を初期化すること、動的人口の維持と早期収束を防ぐために最も適していない個体に突然変異最適化を実装すること、局所最適から逃れるアルゴリズムの能力を高めるためにランダムな摂動戦略を追加すること、の4つの主要な戦略を統合する。
論文 参考訳(メタデータ) (2023-12-20T19:55:36Z) - High-dimensional Bayesian Optimization with Group Testing [7.12295305987761]
本研究では,高次元領域における効率的な最適化を容易にするために,能動変数を同定するグループテスト手法を提案する。
提案したアルゴリズムであるグループテストベイズ最適化(GTBO)は、まず変数のグループを体系的に選択し、テストするテストフェーズを実行する。
第2段階では、GTBOは活性次元をより重要視することで最適化を導く。
論文 参考訳(メタデータ) (2023-10-05T12:52:27Z) - Transfer Learning for Bayesian Optimization: A Survey [29.229660973338145]
ブラックボックス最適化は、このような高価なブラックボックス機能をモデル化し、最適化する強力なツールである。
BOコミュニティの研究者たちは、最適化プロセスの高速化にトランスファーラーニングの精神を取り入れることを提案する。
論文 参考訳(メタデータ) (2023-02-12T14:37:25Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳(メタデータ) (2022-10-27T01:58:10Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳(メタデータ) (2022-10-04T04:43:58Z) - Designing Biological Sequences via Meta-Reinforcement Learning and
Bayesian Optimization [68.28697120944116]
メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。
我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。
このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
論文 参考訳(メタデータ) (2022-09-13T18:37:27Z) - Scalable Constrained Bayesian Optimization [10.820024633762596]
ブラックボックス制約下での高次元ブラックボックス関数のグローバルな最適化は、機械学習、制御、科学コミュニティにおける普及的なタスクである。
本稿では,上記の課題を克服し,現状を推し進めるスケーラブルな制約付きベイズ最適化(SCBO)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-02-20T01:48:46Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳(メタデータ) (2020-01-12T09:42:19Z)
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。