論文の概要: Unifying Likelihood-free Inference with Black-box Sequence Design and Beyond

• arxiv url: http://arxiv.org/abs/2110.03372v1
• Date: Wed, 6 Oct 2021 02:41:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 16:12:06.722241
• Title: Unifying Likelihood-free Inference with Black-box Sequence Design and Beyond
• Title（参考訳）: Black-box Sequence DesignとBeyondによるLikelihood-free推論の統一
• Authors: Dinghuai Zhang, Jie Fu, Yoshua Bengio, Aaron Courville
• Abstract要約: 我々は、可能性のない推論とブラックボックスのシーケンス設計という、明らかに異なる2つの世界を統合することを提案する。 従来の薬物発見手法が我々のフレームワークでどのように"再発明"されるかを示し、さらに新しい確率論的シーケンス設計アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 87.92360111463825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Black-box optimization formulations for biological sequence design have drawn recent attention due to their promising potential impact on the pharmaceutical industry. In this work, we propose to unify two seemingly distinct worlds: likelihood-free inference and black-box sequence design, under one probabilistic framework. In tandem, we provide a recipe for constructing various sequence design methods based on this framework. We show how previous drug discovery approaches can be "reinvented" in our framework, and further propose new probabilistic sequence design algorithms. Extensive experiments illustrate the benefits of the proposed methodology.
• Abstract（参考訳）: 生物配列設計のためのブラックボックス最適化の定式化は、製薬業界に有望な影響を及ぼす可能性から近年注目されている。 本研究では,確率的枠組みの下で,確率的推論とブラックボックスシーケンス設計という,一見異なる2つの世界を統合することを提案する。 この枠組みに基づき,様々なシーケンス設計手法を構築するためのレシピを提供する。 我々は,従来の薬物発見手法を我々の枠組みで「再発明」し,新たな確率論的シーケンス設計アルゴリズムを提案する。 大規模な実験は提案手法の利点を実証している。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Nesting Particle Filters for Experimental Design in Dynamical Systems [11.179154197435954]
  最適設計を推論するネスト型シーケンシャルモンテカルロ法を開発し,それを粒子マルコフ連鎖モンテカルロフレームワークに埋め込み,勾配に基づくポリシー補正を行う。 提案手法は, コントラスト推定器に頼らないため, 他のアモータイズされた実験設計手法と異なる。
  論文  参考訳（メタデータ） (2024-02-12T18:29:17Z)
• Beyond Concept Bottleneck Models: How to Make Black Boxes Intervenable? [8.391254800873599]
  本稿では,設計によって解釈できない事前学習型ニューラルネットワークに対して,概念に基づく介入を行う手法を提案する。 我々は、インターベンタビリティの概念を概念に基づく介入の有効性の尺度として定式化し、この定義を微調整ブラックボックスに活用する。
  論文  参考訳（メタデータ） (2024-01-24T16:02:14Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Differentiable Multi-Target Causal Bayesian Experimental Design [43.76697029708785]
  本稿では,ベイズ最適設計問題に対する勾配に基づくアプローチを導入し,バッチ環境で因果モデルを学習する。 既存の手法は、一連の実験を構築するためにグリーディ近似に依存している。 そこで本稿では,最適介入対象ペアの集合を取得するための,概念的にシンプルな勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-02-21T11:32:59Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Biological Sequence Design with GFlowNets [75.1642973538266]
  望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。 これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。 本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-02T15:53:38Z)
• Efficient Balanced Treatment Assignments for Experimentation [17.3699850124029]
  フリードマンとラフスキーの最小木検定に対して最適なアルゴリズムを提案する。 本稿では, トランスダクティブ推論として推定を新たに定式化し, 適応推定器として設計に用いられる木構造をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2020-10-21T22:06:37Z)

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。