論文の概要: A step toward a reinforcement learning de novo genome assembler
- arxiv url: http://arxiv.org/abs/2102.02649v4
- Date: Thu, 7 Mar 2024 20:47:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 00:00:17.048919
- Title: A step toward a reinforcement learning de novo genome assembler
- Title（参考訳）: novoゲノムアセンブラの強化学習に向けて
- Authors: Kleber Padovani, Roberto Xavier, Rafael Cabral Borges, Andre Carvalho,
Anna Reali, Annie Chateau, Ronnie Alves
- Abstract要約: 機械学習は、より正確で自動化されたアセンブラを開発するための代替(または補完)方法として現れるかもしれない。
本研究は,ゲノム組立における強化学習(RL)を用いた機械学習の応用に光を当てた。
我々は報奨システムを改良し、プルーニングと進化コンピューティングとの協調による状態空間の探索を最適化した。
- 参考スコア（独自算出の注目度）: 0.4749981032986242
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: De novo genome assembly is a relevant but computationally complex task in
genomics. Although de novo assemblers have been used successfully in several
genomics projects, there is still no 'best assembler', and the choice and setup
of assemblers still rely on bioinformatics experts. Thus, as with other
computationally complex problems, machine learning may emerge as an alternative
(or complementary) way for developing more accurate and automated assemblers.
Reinforcement learning has proven promising for solving complex activities
without supervision - such games - and there is a pressing need to understand
the limits of this approach to 'real' problems, such as the DFA problem. This
study aimed to shed light on the application of machine learning, using
reinforcement learning (RL), in genome assembly. We expanded upon the sole
previous approach found in the literature to solve this problem by carefully
exploring the learning aspects of the proposed intelligent agent, which uses
the Q-learning algorithm, and we provided insights for the next steps of
automated genome assembly development. We improved the reward system and
optimized the exploration of the state space based on pruning and in
collaboration with evolutionary computing. We tested the new approaches on 23
new larger environments, which are all available on the internet. Our results
suggest consistent performance progress; however, we also found limitations,
especially concerning the high dimensionality of state and action spaces.
Finally, we discuss paths for achieving efficient and automated genome assembly
in real scenarios considering successful RL applications - including deep
reinforcement learning.
- Abstract（参考訳）: de novoゲノムアセンブリーは、ゲノム学において関連するが計算的に複雑なタスクである。
de novoアセンブラはいくつかのゲノミクスプロジェクトでうまく使われているが、「最高のアセンブラ」は存在せず、アセンブラの選択とセットアップは依然としてバイオインフォマティクスの専門家に依存している。
したがって、他の計算に複雑な問題と同様に、機械学習はより正確で自動化されたアセンブラを開発するための代替(または補完)方法として現れるかもしれない。
強化学習は、監督なしで複雑なアクティビティ(そのようなゲーム)を解決できることが証明されており、dfa問題のような「現実的な」問題に対するこのアプローチの限界を理解する必要がある。
本研究は, ゲノム組立における強化学習(RL)を用いた機械学習の応用に光を当てることを目的とした。
本稿では,Q-learningアルゴリズムを用いた知的エージェントの学習面を慎重に検討することにより,本問題の解決に向け,文献で見られる唯一のアプローチを拡張した上で,自動ゲノム組立の次のステップについて考察した。
我々は報奨システムを改良し、プルーニングと進化コンピューティングとの協調による状態空間の探索を最適化した。
新しいアプローチを23の大規模環境でテストしましたが、すべてインターネット上で利用可能です。
結果から一貫した性能向上が示唆されたが,特に状態空間と行動空間の高次元性には限界が認められた。
最後に, 深層強化学習を含むRLアプリケーションの成功を考慮した実シナリオにおいて, 効率的かつ自動化されたゲノム組立を実現するための経路について論じる。
関連論文リスト
- Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。
この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。
本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
論文 参考訳（メタデータ） (2024-03-14T07:40:32Z) - SERL: A Software Suite for Sample-Efficient Robotic Reinforcement
Learning [85.21378553454672]
筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。
我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。
これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
論文 参考訳（メタデータ） (2024-01-29T10:01:10Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Reinforcement learning informed evolutionary search for autonomous
systems testing [15.210312666486029]
本稿では,ドメイン知識から得られるサロゲート報酬を用いて学習した強化学習(RL)エージェントを用いて進化的探索(ES)を強化することを提案する。
RIGAAとして知られる我々の手法では、まずRLエージェントを訓練し、問題の有用な制約を学習し、それを用いて探索アルゴリズムの初期集団の特定の部分を生成する。
RIGAAは自律性アリロボットの迷路生成と自律車線維持支援システムの道路トポロジー生成の2つのケーススタディで評価した。
論文 参考訳（メタデータ） (2023-08-24T13:11:07Z) - Contribution \`a l'Optimisation d'un Comportement Collectif pour un
Groupe de Robots Autonomes [0.0]
この論文は集団ロボット工学の分野、特にマルチロボットシステムの最適化問題を研究している。
最初の貢献は、未知領域探索問題の解決にButterfly Algorithm Optimization (BOA) を用いることである。
第2の貢献は、ロボット工学における動的増分問題をベンチマークするための新しいシミュレーションフレームワークの開発である。
論文 参考訳（メタデータ） (2023-06-10T21:49:08Z) - A study on a Q-Learning algorithm application to a manufacturing
assembly problem [0.8937905773981699]
本研究では,対象物の集合問題に対する強化学習アルゴリズムの実装に焦点を当てた。
環境との連続的な相互作用からQ値の行列(Q-table)を学習することを考慮して,モデルフリーQ-Learningアルゴリズムを適用した。
最適化アプローチは、98.3%の時間で最適なアセンブリシーケンスを学習することで、非常に有望な結果を得た。
論文 参考訳（メタデータ） (2023-04-17T15:38:34Z) - Reinforcement Learning for Branch-and-Bound Optimisation using
Retrospective Trajectories [72.15369769265398]
機械学習は分岐のための有望なパラダイムとして登場した。
分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。
我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
論文 参考訳（メタデータ） (2022-05-28T06:08:07Z) - GENEOnet: A new machine learning paradigm based on Group Equivariant
Non-Expansive Operators. An application to protein pocket detection [97.5153823429076]
グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。
我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
論文 参考訳（メタデータ） (2022-01-31T11:14:51Z) - Recent Developments in Program Synthesis with Evolutionary Algorithms [1.8047694351309207]
関連する進化的プログラム合成手法を同定し,その性能を詳細に解析する。
私たちが特定する最も影響力のあるアプローチは、スタックベース、文法誘導、および線形遺伝プログラミングである。
今後の研究のために、研究者は、プログラムのアウトプットを使用して、ソリューションの品質を評価するだけでなく、ソリューションへの道を開くことを奨励します。
論文 参考訳（メタデータ） (2021-08-27T11:38:27Z) - 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) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。