論文の概要: Maximum n-times Coverage for COVID-19 Vaccine Design
- arxiv url: http://arxiv.org/abs/2101.10902v1
- Date: Sun, 24 Jan 2021 22:20:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 09:09:35.678721
- Title: Maximum n-times Coverage for COVID-19 Vaccine Design
- Title(参考訳): 新型コロナウイルスワクチン設計のための最大n時間カバー
- Authors: Ge Liu, Brandon Carter, David Gifford
- Abstract要約: 我々は、機械学習によって定義された候補ペプチドセットを使用して、最大$ n$-timesカバレッジとしてCOVID-19のためのペプチドワクチンの設計をフレームします。
本ソリューションは、予測された人口カバレッジと各個人のHLA分子によって表示されるペプチドの予想数において、他の29の新型コロナウイルスペプチドワクチン設計よりも優れていることを示しています。
- 参考スコア(独自算出の注目度): 4.07952189324476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the maximum $n$-times coverage problem, we are provided a set of elements,
a weight for each element, and a set of overlays where each overlay specifies
an element specific coverage of zero or more times. The goal is to select up to
$k$ overlays such that the sum of the weights of elements that are covered at
least $n$ times is maximized. We also define the min-cost $n$-times coverage
problem where the objective is to select the minimum set of overlays such that
the sum of the weights of elements that are covered at least $n$ times is at
least $\tau$. We show that the $n$-times coverage objective is not submodular,
and we present an efficient solution by sequential greedy optimization. We
frame the design of a peptide vaccine for COVID-19 as maximum $n$-times
coverage using machine learning defined candidate peptide sets, and show that
our solution is superior to 29 other published COVID-19 peptide vaccine designs
in predicted population coverage and the expected number of peptides displayed
by each individual's HLA molecules.
- Abstract(参考訳): 最大$n$-timesカバレッジ問題では、要素のセット、各要素の重み、および各オーバーレイが0以上の要素固有のカバレッジを指定するオーバーレイのセットが提供されます。
目標は、最大で$k$のオーバーレイを選択し、少なくとも$n$の回数をカバーする要素の重みの合計を最大化することである。
我々はまた、最小コスト$n$-timesカバレッジ問題を定義し、目的は、少なくとも$n$時間をカバーする要素の重みの合計が少なくとも$\tau$であるように、オーバーレイの最小セットを選択することである。
n$-times のカバレッジ目標がサブモジュラーではないことを示し,逐次 greedy 最適化による効率的なソリューションを提案する。
我々は、新型コロナウイルス(covid-19)に対するペプチドワクチンの設計を、機械学習で定義された候補ペプチドセットを用いて、最大n$-timesカバレッジとして構成し、予測された人口範囲と各hla分子で示されるペプチド数において、29の他の新型コロナウイルスワクチンワクチン設計よりも優れていることを示した。
関連論文リスト
- Probably Anytime-Safe Stochastic Combinatorial Semi-Bandits [81.60136088841948]
本稿では,時間軸における後悔を最小限に抑えるアルゴリズムを提案する。
提案した sc PASCombUCB アルゴリズムはレコメンデーションシステムやトランスポートなどの領域に適用可能である。
論文 参考訳(メタデータ) (2023-01-31T03:49:00Z) - Worst-Case Adaptive Submodular Cover [19.29174615532181]
最悪の場合,適応的部分モジュラー被覆問題について検討する。
タイトな$(log (Q/eta)+1)$-approximationポリシーを開発します。
また、最悪の最大被覆問題も研究している。
論文 参考訳(メタデータ) (2022-10-25T01:38:35Z) - A Near-Optimal Algorithm for Univariate Zeroth-Order Budget Convex
Optimization [4.608510640547952]
我々は、Dy Searchのほぼ最適最適化誤差を保証する。
誤差境界における大域リプシッツ定数への古典的依存は、予算の粒度のアーティファクトであることを示す。
論文 参考訳(メタデータ) (2022-08-13T19:57:04Z) - Leverage Score Sampling for Tensor Product Matrices in Input Sparsity
Time [54.65688986250061]
我々は,$q$-foldカラムワイドテンソル積の$q$行列に対応するグラム行列を近似するための入力空間時間サンプリングアルゴリズムを提案する。
我々のサンプリング技術は、合計時間でデータセット$X$に同時に適用できる$q$部分相関ランダムプロジェクションのコレクションに依存している。
論文 参考訳(メタデータ) (2022-02-09T15:26:03Z) - The Power of Subsampling in Submodular Maximization [51.629656762796564]
このアプローチは,既存の手法よりもはるかに単純であるにもかかわらず,最適/最先端の結果をもたらすことを示す。
我々は,映像要約,位置情報要約,映画推薦タスクにおけるアルゴリズムの有効性を実証的に示す。
論文 参考訳(メタデータ) (2021-04-06T20:25:57Z) - Learning with User-Level Privacy [61.62978104304273]
ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。
個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。
プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
論文 参考訳(メタデータ) (2021-02-23T18:25:13Z) - Multiple Node Immunisation for Preventing Epidemics on Networks by Exact
Multiobjective Optimisation of Cost and Shield-Value [0.0]
本稿では,複数のノードを選択して削除する問題に対処する。
複数ノード選択に関するこれまでの作業と比較すると、コストと利益の間のトレードオフが考慮されている。
この論文の主な貢献は、もし時間が許せば、正確で問題固有の手法が使われるべきであるという洞察である。
論文 参考訳(メタデータ) (2020-10-13T15:49:00Z) - Sampling from a $k$-DPP without looking at all items [58.30573872035083]
カーネル関数とサブセットサイズ$k$が与えられた場合、我々のゴールは、サブセットによって誘導されるカーネル行列の行列式に比例する確率を持つ$n$アイテムから$k$をサンプリングすることである(つまり$k$-DPP)。
既存の$k$-DPPサンプリングアルゴリズムは、すべての$n$アイテムを複数回パスする高価な前処理ステップを必要とするため、大規模なデータセットでは利用できない。
そこで我々は, 十分大きなデータの均一なサンプルを適応的に構築し, より小さな$k$のアイテムを効率よく生成するアルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-06-30T16:40:44Z) - Sharp Statistical Guarantees for Adversarially Robust Gaussian
Classification [54.22421582955454]
逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。
結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
論文 参考訳(メタデータ) (2020-06-29T21:06:52Z)
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。