論文の概要: Resolving Anomalies in the Behaviour of a Modularity Inducing Problem
Domain with Distributional Fitness Evaluation
- arxiv url: http://arxiv.org/abs/2110.13609v1
- Date: Fri, 15 Oct 2021 12:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-31 09:06:56.103227
- Title: Resolving Anomalies in the Behaviour of a Modularity Inducing Problem
Domain with Distributional Fitness Evaluation
- Title（参考訳）: 分散適合性評価によるモジュラリティ誘発問題領域の振る舞いにおける異常の解消
- Authors: Zhenyue Qin and Tom Gedeon and R.I. (Bob) McKay
- Abstract要約: 遺伝子調節ネットワーク(GRN)の堅牢性を評価する一般的な方法は、遺伝子活性化パターンのセットを不飽和状態に戻す能力を測定することである。
本発明のサンプリング法は、動的に誘導される特異性を導入する。
遺伝子活動パターンの完全な分布を考慮した決定論的分布性評価法を開発した。
- 参考スコア（独自算出の注目度）: 2.088376060651494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discrete gene regulatory networks (GRNs) play a vital role in the study of
robustness and modularity. A common method of evaluating the robustness of GRNs
is to measure their ability to regulate a set of perturbed gene activation
patterns back to their unperturbed forms. Usually, perturbations are obtained
by collecting random samples produced by a predefined distribution of gene
activation patterns. This sampling method introduces stochasticity, in turn
inducing dynamicity. This dynamicity is imposed on top of an already complex
fitness landscape. So where sampling is used, it is important to understand
which effects arise from the structure of the fitness landscape, and which
arise from the dynamicity imposed on it. Stochasticity of the fitness function
also causes difficulties in reproducibility and in post-experimental analyses.
We develop a deterministic distributional fitness evaluation by considering
the complete distribution of gene activity patterns, so as to avoid
stochasticity in fitness assessment. This fitness evaluation facilitates
repeatability. Its determinism permits us to ascertain theoretical bounds on
the fitness, and thus to identify whether the algorithm has reached a global
optimum. It enables us to differentiate the effects of the problem domain from
those of the noisy fitness evaluation, and thus to resolve two remaining
anomalies in the behaviour of the problem domain
of~\citet{espinosa2010specialization}. We also reveal some properties of
solution GRNs that lead them to be robust and modular, leading to a deeper
understanding of the nature of the problem domain. We conclude by discussing
potential directions toward simulating and understanding the emergence of
modularity in larger, more complex domains, which is key both to generating
more useful modular solutions, and to understanding the ubiquity of modularity
in biological systems.
- Abstract（参考訳）: 遺伝子制御ネットワーク(GRN)は、堅牢性とモジュール性の研究において重要な役割を担っている。
GRNの堅牢性を評価する一般的な方法は、摂動型遺伝子活性化パターンのセットを摂動型に戻す能力を測定することである。
通常、摂動は、予め定義された遺伝子活性化パターンの分布によって生成されるランダムサンプルを収集することによって得られる。
このサンプリング法は確率性を導入し、動的性を誘導する。
このダイナミックさは、すでに複雑なフィットネス環境に課されています。
ですから,サンプリングを行う場合には,フィットネスランドスケープの構造から生じる影響や,それに課されるダイナミック性から生じる影響を理解することが重要である。
フィットネス機能の確率性は再現性や実験後の分析にも困難をもたらす。
本研究では,遺伝子活動パターンの完全な分布を考慮した決定論的分布性評価を開発し,適合性評価の確率性を回避する。
このフィットネス評価は再現性を促進する。
その決定論により、適合性に関する理論的境界を確かめることができ、アルゴリズムが大域的最適に達したかどうかを特定することができる。
これにより、問題領域の効果をノイズ性評価の結果と区別し、–\citet{espinosa2010specialization} の課題領域の挙動における残りの2つの異常を解消することができる。
また、ソリューションGRNのいくつかの特性を明らかにし、それらが堅牢でモジュール化され、問題領域の性質のより深い理解につながります。
我々は、より有用なモジュラリティソリューションの生成と、生物学的システムにおけるモジュラリティの普遍性を理解するための鍵となる、より大きく複雑なドメインにおけるモジュラリティの出現をシミュレートし理解するための潜在的な方向性について議論することで、結論付けた。
関連論文リスト
- Exploring the ability of the Deep Ritz Method to model strain localization as a sharp discontinuity [0.0]
弾塑性固体の変種設定において, 規則化された強不連続キネマティクスを用いる。
ニューラルネットワーク(ANN)を用いて,対応する数学的モデルを識別する
概念実証として、1次元および2次元の数値例を通して、弾塑性固体のひずみ局在の計算モデルが実現可能であることを示す。
論文 参考訳（メタデータ） (2024-09-20T05:57:50Z) - Network-based Neighborhood regression [0.0]
生物学的モジュールの現在の統計分析は、ネットワークデータを用いることなく、生物学的ネットワーク内の機能モジュールを検出するか、または生物学的特徴のサブグループ回帰を検出することに焦点を当てている。
本稿では,グローバルなコミュニティレベルの情報と,エンティティ間のローカル接続構造に依存する,新たなネットワークベースの地区回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-04T18:08:40Z) - Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。
本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
論文 参考訳（メタデータ） (2024-07-03T10:31:30Z) - Physics-Informed Neural Networks for Discovering Localised Eigenstates
in Disordered Media [0.0]
物理インフォームドニューラルネットワーク(PINN)を用いた障害メディア中の局所固有状態の発見のための新しいアプローチを提案する。
我々は、ベルヌーイ分布、正規分布、均一分布に応じてランダムに生成されるポテンシャルを持つ1次元のハミルトニアンのスペクトル近似に焦点を当てる。
本研究では,これらの領域で発生した既知の物理現象を利用して領域をスキャンし,固有状態の発見に成功した損失関数に新しい特徴を導入する。
論文 参考訳（メタデータ） (2023-05-11T13:51:21Z) - Dynamical Hyperspectral Unmixing with Variational Recurrent Neural
Networks [25.051918587650636]
MTHU(Multitemporal hyperspectral unmixing)は、ハイパースペクトル画像解析の基本的なツールである。
本稿では,変分リカレントニューラルネットワークに基づく教師なしMTHUアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-19T04:51:34Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z) - Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。
いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。
本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2022-08-30T11:12:59Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。