論文の概要: Deep Neural Network: An Efficient and Optimized Machine Learning
Paradigm for Reducing Genome Sequencing Error
- arxiv url: http://arxiv.org/abs/2010.03420v1
- Date: Tue, 6 Oct 2020 08:16:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 07:59:55.642755
- Title: Deep Neural Network: An Efficient and Optimized Machine Learning
Paradigm for Reducing Genome Sequencing Error
- Title(参考訳): Deep Neural Network: ゲノムシークエンシングエラーを減らすための効率的で最適化された機械学習パラダイム
- Authors: Ferdinand Kartriku, Dr. Robert Sowah and Charles Saah
- Abstract要約: シークエンシングプロセスで使用されるプラットフォームのほとんどは、重大なエラーを発生させることが知られている。
置換とインデルという2種類のゲノムエラーについて、我々の研究はインデルの修正に重点を置いている。
ディープラーニングアプローチは、選択したデータセットをシーケンシングする際のエラーを修正するために使用された。
- 参考スコア(独自算出の注目度): 27.84400682210533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Genomic data I used in many fields but, it has become known that most of the
platforms used in the sequencing process produce significant errors. This means
that the analysis and inferences generated from these data may have some errors
that need to be corrected. On the two main types of genome errors -
substitution and indels - our work is focused on correcting indels. A deep
learning approach was used to correct the errors in sequencing the chosen
dataset
- Abstract(参考訳): 多くの分野で使用したゲノムデータですが、シークエンシングプロセスで使用されるプラットフォームのほとんどは、重大なエラーを引き起こします。
つまり、これらのデータから生成された分析と推論には、修正が必要なエラーがある可能性がある。
ゲノムエラーの置換とインデルの2つの主なタイプについて - 我々の研究はインデルの修正に焦点を当てている。
選択したデータセットのシークエンシングにおける誤りの訂正にディープラーニングアプローチを用いた。
関連論文リスト
- Parameter-tuning-free data entry error unlearning with adaptive
selective synaptic dampening [51.34904967046097]
本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。
本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。
このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
論文 参考訳(メタデータ) (2024-02-06T14:04:31Z) - Episodic Gaussian Process-Based Learning Control with Vanishing Tracking
Errors [10.627020714408445]
本稿では,任意の追跡精度を保証するために,GPモデル学習のためのエピソード手法を開発する。
導出理論の有効性はいくつかのシミュレーションで示されている。
論文 参考訳(メタデータ) (2023-07-10T08:43:28Z) - Empirical Analysis of the AdaBoost's Error Bound [0.0]
本研究では,合成データと実世界のデータの両方に対するAdaBoostアルゴリズムの誤差境界を実証的に検証した。
その結果、エラーバウンダリが実際に保たれていることを示し、その効率性と様々なアプリケーションに対する重要性を示す。
論文 参考訳(メタデータ) (2023-02-02T05:03:21Z) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳(メタデータ) (2022-02-22T02:51:11Z) - Evaluating State-of-the-Art Classification Models Against Bayes
Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。
われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文 参考訳(メタデータ) (2021-06-07T06:21:20Z) - Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese
Grammatical Error Correction [49.25830718574892]
本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。
ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。
標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
論文 参考訳(メタデータ) (2021-06-03T05:56:57Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳(メタデータ) (2021-03-27T04:47:59Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳(メタデータ) (2020-09-01T15:08:23Z) - Designing Accurate Emulators for Scientific Processes using
Calibration-Driven Deep Models [33.935755695805724]
Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。
また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。
LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
論文 参考訳(メタデータ) (2020-05-05T16:54:11Z) - Correcting the Autocorrect: Context-Aware Typographical Error Correction
via Training Data Augmentation [38.10429793534442]
まず、スペルエラー統計を計算するために、注釈付きデータの小さなセットを描画する。
その後、エラーをはるかに大きなコーパスに導入するために、これらが呼び出される。
私たちは、英語のエラー検出と修正データセットのセットを作成するためにそれを使用します。
論文 参考訳(メタデータ) (2020-05-03T18:08:17Z)
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。