論文の概要: A Neurochaos Learning Architecture for Genome Classification
- arxiv url: http://arxiv.org/abs/2010.10995v1
- Date: Mon, 12 Oct 2020 19:07:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 05:47:04.691206
- Title: A Neurochaos Learning Architecture for Genome Classification
- Title（参考訳）: ゲノム分類のためのニューロカオス学習アーキテクチャ
- Authors: Harikrishnan NB and Pranay SY and Nithin Nagaraj
- Abstract要約: 本稿では,データから特徴を抽出するために使用するニューロンがカオスマップであるニューロカオス学習アーキテクチャを提案する。
ChaosFEX機能は、分類のために線形カーネルを持つサポートベクターマシンに送られる。
我々はSARS-CoV-2のゲノム配列を他のウイルスから分類する問題について考察する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been empirical evidence of presence of non-linearity and chaos at
the level of single neurons in biological neural networks. The properties of
chaotic neurons inspires us to employ them in artificial learning systems.
Here, we propose a Neurochaos Learning (NL) architecture, where the neurons
used to extract features from data are 1D chaotic maps. ChaosFEX+SVM, an
instance of this NL architecture, is proposed as a hybrid combination of chaos
and classical machine learning algorithm. We formally prove that a single layer
of NL with a finite number of 1D chaotic neurons satisfies the Universal
Approximation Theorem with an exact value for the number of chaotic neurons
needed to approximate a discrete real valued function with finite support. This
is made possible due to the topological transitivity property of chaos and the
existence of uncountably infinite number of dense orbits for the chosen 1D
chaotic map. The chaotic neurons in NL get activated under the presence of an
input stimulus (data) and output a chaotic firing trajectory. From such chaotic
firing trajectories of individual neurons of NL, we extract Firing Time, Firing
Rate, Energy and Entropy that constitute ChaosFEX features. These ChaosFEX
features are then fed to a Support Vector Machine with linear kernel for
classification. The effectiveness of chaotic feature engineering performed by
NL (ChaosFEX+SVM) is demonstrated for synthetic and real world datasets in the
low and high training sample regimes. Specifically, we consider the problem of
classification of genome sequences of SARS-CoV-2 from other coronaviruses
(SARS-CoV-1, MERS-CoV and others). With just one training sample per class for
1000 random trials of training, we report an average macro F1-score > 0.99 for
the classification of SARS-CoV-2 from SARS-CoV-1 genome sequences. Robustness
of ChaosFEX features to additive noise is also demonstrated.
- Abstract（参考訳）: 生体神経ネットワークにおける単一ニューロンのレベルでは、非線形性やカオスの存在が実証されている。
カオスニューロンの性質は、人工学習システムでそれを採用することを促す。
本稿では,データから特徴を抽出するために使用するニューロンが1次元カオスマップであるニューロカオス学習(NL)アーキテクチャを提案する。
このNLアーキテクチャの例であるChaosFEX+SVMは、カオスと古典的な機械学習アルゴリズムのハイブリッドの組み合わせとして提案されている。
有限個の1次元カオスニューロンを持つNLの単一層が、有限なサポートを持つ離散実値関数を近似するのに必要なカオスニューロンの数に対して正確な値でUniversal Approximation Theoremを満たすことを正式に証明する。
これはカオスのトポロジ的推移性や、選択された1次元カオス写像に対する無限個の高密度軌道の存在により可能となる。
NLのカオスニューロンは入力刺激(データ)の存在下で活性化され、カオス発火軌道を出力する。
NLの個々のニューロンのカオス的発火軌道から、ChaosFEXの特徴を構成するフィリング時間、フィリング速度、エネルギー、エントロピーを抽出する。
これらのChaosFEX機能は、分類のために線形カーネルを持つサポートベクトルマシンに送られる。
NL (ChaosFEX+SVM) によるカオス的特徴工学の有効性を, 低・高訓練試料群における合成および実世界のデータセットに示す。
具体的には,SARS-CoV-2のゲノム配列を他のウイルス(SARS-CoV-1,MERS-CoVなど)から分類する問題を考察する。
sars-cov-1ゲノム配列からsars-cov-2を分類する平均的マクロf1-score > 0.99をクラス毎に1つのトレーニングサンプルで報告した。
付加雑音に対するchaosfex特徴のロバスト性も示される。
関連論文リスト
- Random Heterogeneous Neurochaos Learning Architecture for Data Classification [1.534667887016089]
カオスベースのニューラルネットワークであるNeurochaos Learning(NL)は先日,Generalized L"uroth Series(GLS)やロジスティックマップをニューロンとして使用した。
はじめに、様々なカオスニューロンをランダムに入力層に配置するNLのランダムな異種拡張を提案する。
従来の機械学習(ML)手法と組み合わせたランダム不均一神経カオス学習(RHNL)アーキテクチャの性能評価を行った。
論文 参考訳（メタデータ） (2024-10-30T18:00:14Z) - Novel Kernel Models and Exact Representor Theory for Neural Networks Beyond the Over-Parameterized Regime [52.00917519626559]
本稿では、ニューラルネットワークの2つのモデルと、任意の幅、深さ、トポロジーのニューラルネットワークに適用可能なトレーニングについて述べる。
また、局所外在性神経核(LeNK)の観点から、非正規化勾配降下を伴う階層型ニューラルネットワークトレーニングのための正確な表現子理論を提示する。
この表現論は、ニューラルネットワークトレーニングにおける高次統計学の役割と、ニューラルネットワークのカーネルモデルにおけるカーネル進化の影響について洞察を与える。
論文 参考訳（メタデータ） (2024-05-24T06:30:36Z) - Optimized classification with neural ODEs via separability [0.0]
ニューラル常微分方程式(ニューラルODE)のレンズを通して見た場合、N$点の分類は同時制御問題となる
本研究では,効率的なクラスタ分類に必要なニューロン数を推定することに焦点を当てた。
我々は任意の初期設定から$d$ポイントのクラスタを同時に分類する新しい構成的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-21T12:56:40Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - A Bio-Inspired Chaos Sensor Model Based on the Perceptron Neural
Network: Machine Learning Concept and Application for Computational
Neuro-Science [0.0]
本研究では,神経力学系におけるスパイクトレインのエントロピー推定のための知覚神経ネットワークに基づくバイオインスパイアされたカオスセンサモデルを提案する。
このモデルはスパイク信号のカオス的挙動を動的に追跡し、この情報を神経力学モデルの他の部分に送信してさらなる処理を行うことができる。
論文 参考訳（メタデータ） (2023-06-03T03:36:47Z) - Revisiting Gaussian Neurons for Online Clustering with Unknown Number of
Clusters [0.0]
参照するクラスタ数の最大限のオンラインクラスタリングを行う、新しいローカルラーニングルールが提示される。
実験結果は,学習パラメータの安定性を多数のトレーニングサンプルで実証した。
論文 参考訳（メタデータ） (2022-05-02T14:01:40Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳（メタデータ） (2021-07-31T10:25:26Z) - 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) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
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。