Fugu-MT 論文翻訳(概要): Systems Biology: Identifiability analysis and parameter identification via systems-biology informed neural networks

論文の概要: Systems Biology: Identifiability analysis and parameter identification via systems-biology informed neural networks

arxiv url: http://arxiv.org/abs/2202.01723v1
Date: Thu, 3 Feb 2022 17:40:03 GMT
ステータス: 処理完了
システム内更新日: 2022-02-04 15:18:10.073730
Title: Systems Biology: Identifiability analysis and parameter identification via systems-biology informed neural networks
Title（参考訳）: システム生物学:システム生物学情報ニューラルネットワークによる識別可能性分析とパラメータ同定
Authors: Mitchell Daneker and Zhen Zhang and George Em Karniadakis and Lu Lu
Abstract要約: 本稿では,パラメータ推定のためのシステム生物学情報ニューラルネットワークを提案する。また,パラメータの識別可能性を分析するために,構造的および実用的識別可能性分析についても述べる。
参考スコア（独自算出の注目度）: 5.104519140921464
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The dynamics of systems biological processes are usually modeled by a system of ordinary differential equations (ODEs) with many unknown parameters that need to be inferred from noisy and sparse measurements. Here, we introduce systems-biology informed neural networks for parameter estimation by incorporating the system of ODEs into the neural networks. To complete the workflow of system identification, we also describe structural and practical identifiability analysis to analyze the identifiability of parameters. We use the ultridian endocrine model for glucose-insulin interaction as the example to demonstrate all these methods and their implementation.
Abstract（参考訳）: システム生物学的プロセスのダイナミクスは、通常、ノイズやスパースの測定から推測する必要がある多くの未知のパラメータを持つ通常の微分方程式(ODE)のシステムによってモデル化される。本稿では,ODEのシステムをニューラルネットワークに組み込んだパラメータ推定のためのシステム生物学情報ニューラルネットワークを提案する。システム同定のワークフローを完成するために,パラメータの識別性を分析するための構造的かつ実用的な識別可能性解析についても述べる。糖-インスリン相互作用の例として, ウリジアン・エンドクリンモデルを用いて, これらの方法とその実装を実証する。

関連論文リスト

InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。 InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文参考訳（メタデータ） (2024-08-15T17:07:40Z)
Let's do the time-warp-attend: Learning topological invariants of dynamical systems [3.9735602856280132]
本稿では、動的状態の分類と分岐境界の特徴付けのための、データ駆動型、物理的にインフォームドされたディープラーニングフレームワークを提案する。超臨界ホップ分岐のパラダイム的ケースに着目し、様々な応用の周期的ダイナミクスをモデル化する。本手法は, 広範囲な力学系の定性的・長期的挙動に関する貴重な知見を提供し, 大規模物理・生物系における分岐や破滅的な遷移を検出する。
論文参考訳（メタデータ） (2023-12-14T18:57:16Z)
An Interventional Perspective on Identifiability in Gaussian LTI Systems with Independent Component Analysis [44.892642197610215]
ガウス線形時間不変 (LTI) システムでは, 多様な干渉信号を導入することで, システムパラメータを同定できることが示されている。隠れマルコフモデルと(ガウス) LTI 系が連続パラメータを持つコーサル・デ・フィネッティの定理を一般化することを示した。
論文参考訳（メタデータ） (2023-11-29T19:51:35Z)
Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文参考訳（メタデータ） (2022-12-28T18:03:41Z)
Design of Turing Systems with Physics-Informed Neural Networks [0.0]
反応拡散系の重要なパラメータを推論する手段として,物理インフォームドニューラルネットワークの利用について検討する。提案手法は,10%未満の誤差で,異なるパターンモードや型に対してパラメータを推論できることを示す。
論文参考訳（メタデータ） (2022-11-24T08:01:22Z)
Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文参考訳（メタデータ） (2022-10-12T06:46:38Z)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
System identification using Bayesian neural networks with nonparametric noise models [0.0]
離散時間非線形ランダムダイナミクス系におけるシステム同定のための非パラメトリックアプローチを提案する。後部推論用ギブスサンプリング器を提案し, シミュレーションおよび実時間時系列でその有効性を示した。
論文参考訳（メタデータ） (2021-04-25T09:49:50Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。