論文の概要: Towards Structured Prediction in Bioinformatics with Deep Learning

• arxiv url: http://arxiv.org/abs/2008.11546v1
• Date: Tue, 25 Aug 2020 02:52:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 03:34:28.504905
• Title: Towards Structured Prediction in Bioinformatics with Deep Learning
• Title（参考訳）: 深層学習によるバイオインフォマティクスの構造化予測に向けて
• Authors: Yu Li
• Abstract要約: バイオインフォマティクスでは、2D画像や3D分子構造など、より複雑な対象を予測する必要があることが多い。 ここでは, バイオインフォマティクスにおける構造化予測問題の解決に有効であると考えられる。 我々は4つのバイオインフォマティクスのサブフィールドから6つのプロジェクトを紹介した。
• 参考スコア（独自算出の注目度）: 11.055292483959414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using machine learning, especially deep learning, to facilitate biological research is a fascinating research direction. However, in addition to the standard classification or regression problems, in bioinformatics, we often need to predict more complex structured targets, such as 2D images and 3D molecular structures. The above complex prediction tasks are referred to as structured prediction. Structured prediction is more complicated than the traditional classification but has much broader applications, considering that most of the original bioinformatics problems have complex output objects. Due to the properties of those structured prediction problems, such as having problem-specific constraints and dependency within the labeling space, the straightforward application of existing deep learning models can lead to unsatisfactory results. Here, we argue that the following ideas can help resolve structured prediction problems in bioinformatics. Firstly, we can combine deep learning with other classic algorithms, such as probabilistic graphical models, which model the problem structure explicitly. Secondly, we can design the problem-specific deep learning architectures or methods by considering the structured labeling space and problem constraints, either explicitly or implicitly. We demonstrate our ideas with six projects from four bioinformatics subfields, including sequencing analysis, structure prediction, function annotation, and network analysis. The structured outputs cover 1D signals, 2D images, 3D structures, hierarchical labeling, and heterogeneous networks. With the help of the above ideas, all of our methods can achieve SOTA performance on the corresponding problems. The success of these projects motivates us to extend our work towards other more challenging but important problems, such as health-care problems, which can directly benefit people's health and wellness.
• Abstract（参考訳）: 機械学習、特にディープラーニングを使って生物研究を促進することは、興味深い研究の方向性である。 しかし、標準的な分類や回帰の問題に加えて、バイオインフォマティクスでは、2d画像や3d分子構造のようなより複雑な構造化対象を予測する必要がある。 上記の複雑な予測タスクは構造化予測と呼ばれる。 構造予測は従来の分類よりも複雑であるが、元のバイオインフォマティクス問題のほとんどは複雑な出力オブジェクトを持つので、より広範な応用がある。 問題固有の制約やラベル空間への依存性など,構造化された予測問題の性質から,既存のディープラーニングモデルの直接的な適用は,不満足な結果をもたらす可能性がある。 ここでは, バイオインフォマティクスにおける構造化予測問題の解決に有効であると考えられる。 まず、問題構造を明示的にモデル化する確率的グラフィカルモデルなど、ディープラーニングと他の古典的アルゴリズムを組み合わせることができる。 第二に、構造化ラベル空間と問題制約を明示的にも暗黙的にも考慮し、問題固有のディープラーニングアーキテクチャや手法を設計できる。 我々は, シーケンシング解析, 構造予測, 関数アノテーション, ネットワーク解析を含む4つのバイオインフォマティクスサブフィールドの6つのプロジェクトからアイデアを実証した。 構造化出力は、1D信号、2D画像、3D構造、階層ラベリング、異種ネットワークをカバーする。 上記のアイデアの助けを借りて、我々の手法はすべて対応する問題に対してsoma性能を達成できます。 これらのプロジェクトの成功は、人々の健康と健康に直接利益をもたらす健康上の問題など、より困難だが重要な問題への取り組みを拡大する動機となります。

関連論文リスト

• Learning to refine domain knowledge for biological network inference [2.209921757303168]
  摂動実験により、生物学者は興味のある変数間の因果関係を発見することができる。 これらのデータの空間性と高次元性は因果構造学習アルゴリズムに重大な課題をもたらす。 そこで本研究では,データ観測に基づくドメイン知識の補修アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T12:53:23Z)
• Learning Representations for Reasoning: Generalizing Across Diverse Structures [5.031093893882575]
  我々は、知識とクエリ構造をまたいだアルゴリズムを考案し、推論モデルの境界を推し進めることを目指している。 図書館は構造化データを第一級市民として扱い,構造化データのアルゴリズム開発における障壁を取り除く。
  論文  参考訳（メタデータ） (2024-10-16T20:23:37Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Breaking the Curse of Dimensionality in Deep Neural Networks by Learning Invariant Representations [1.9580473532948401]
  この論文は、これらのモデルのアーキテクチャとそれらが処理するデータ内の固有の構造との関係を研究することによって、ディープラーニングの理論的基礎を探求する。 ディープラーニングアルゴリズムの有効性を駆動するものは何か,いわゆる次元の呪いに勝てるのか,と問う。 本手法は,実験的な研究と物理に触発された玩具モデルを組み合わせることによって,深層学習に実証的なアプローチをとる。
  論文  参考訳（メタデータ） (2023-10-24T19:50:41Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
  過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。 このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-27T21:09:51Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)
• Structure preserving deep learning [1.2263454117570958]
  深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。 ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。 既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
  論文  参考訳（メタデータ） (2020-06-05T10:59:09Z)

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。