論文の概要: Interactive Visualization of Protein RINs using NetworKit in the Cloud

• arxiv url: http://arxiv.org/abs/2203.01263v1
• Date: Wed, 2 Mar 2022 17:41:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-03 16:31:57.727231
• Title: Interactive Visualization of Protein RINs using NetworKit in the Cloud
• Title（参考訳）: NetworKitを用いたクラウド上でのタンパク質RINのインタラクティブ可視化
• Authors: Eugenio Angriman, Fabian Brandt-Tumescheit, Leon Franke, Alexander van der Grinten, Henning Meyerhenke
• Abstract要約: 本稿では,タンパク質動態,特に残基相互作用ネットワーク(RIN)の例について考察する。 NetworKitを使ってクラウドベースの環境を構築しています。 このアプローチの汎用性を実証するために、私たちは、RIN視覚化のためのカスタムJupyterベースのウィジェットを構築するためにそれを使用します。
• 参考スコア（独自算出の注目度）: 57.780880387925954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network analysis has been applied in diverse application domains. In this paper, we consider an example from protein dynamics, specifically residue interaction networks (RINs). In this context, we use NetworKit -- an established package for network analysis -- to build a cloud-based environment that enables domain scientists to run their visualization and analysis workflows on large compute servers, without requiring extensive programming and/or system administration knowledge. To demonstrate the versatility of this approach, we use it to build a custom Jupyter-based widget for RIN visualization. In contrast to existing RIN visualization approaches, our widget can easily be customized through simple modifications of Python code, while both supporting a good feature set and providing near real-time speed. It is also easily integrated into analysis pipelines (e.g., that use Python to feed RIN data into downstream machine learning tasks).
• Abstract（参考訳）: ネットワーク分析は様々なアプリケーションドメインに適用されている。 本稿では,タンパク質動態,特に残基相互作用ネットワーク(RIN)の例について考察する。 この文脈では、ネットワーク分析のための確立されたパッケージであるnetworkitを使って、ドメインサイエンティストが大規模な計算サーバー上で可視化と分析のワークフローを実行できるクラウドベースの環境を構築します。 このアプローチの汎用性を示すために、rinビジュアライゼーションのためのカスタムjupyterベースのウィジェットを構築するためにそれを使用します。 既存のrinビジュアライゼーションアプローチとは対照的に、我々のウィジェットはpythonコードの簡単な修正によって簡単にカスタマイズできます。 また、分析パイプライン(例えば、Pythonを使ってRINデータを下流の機械学習タスクに供給する)に簡単に統合できる。

関連論文リスト

• Comgra: A Tool for Analyzing and Debugging Neural Networks [35.89730807984949]
  PyTorchで使用するオープンソースのpythonライブラリであるcomgraを紹介します。 Comgraはモデルの内部アクティベーションに関するデータを抽出し、GUIで整理する。 要約統計と個々のデータポイントの両方を示し、トレーニングの初期段階と後期を比較し、関心のある個々のサンプルに注目し、ネットワークを通しての勾配の流れを可視化する。
  論文  参考訳（メタデータ） (2024-07-31T14:57:23Z)
• Building Interpretable and Reliable Open Information Retriever for New Domains Overnight [67.03842581848299]
  情報検索は、オープンドメイン質問応答(QA)など、多くのダウンストリームタスクにとって重要な要素である。 本稿では、エンティティ/イベントリンクモデルとクエリ分解モデルを用いて、クエリの異なる情報単位により正確にフォーカスする情報検索パイプラインを提案する。 より解釈可能で信頼性が高いが,提案したパイプラインは,5つのIRおよびQAベンチマークにおける通過カバレッジと記述精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-08-09T07:47:17Z)
• GAIA Search: Hugging Face and Pyserini Interoperability for NLP Training Data Exploration [97.68234051078997]
  我々はPyseriniを、オープンソースのAIライブラリとアーティファクトのHugging Faceエコシステムに統合する方法について論じる。 Jupyter NotebookベースのウォークスルーがGitHubで公開されている。 GAIA Search - 前述した原則に従って構築された検索エンジンで、人気の高い4つの大規模テキストコレクションへのアクセスを提供する。
  論文  参考訳（メタデータ） (2023-06-02T12:09:59Z)
• cito: An R package for training neural networks using torch [0.0]
  citoは、ディープラーニング(DL)アプリケーションのためのユーザフレンドリーなRパッケージである。 多くのRパッケージで使われている慣れ親しんだ式構文でDNNを指定することができる。 「シトー」には、モデルプロットと分析のための多くのユーザフレンドリーな機能が含まれている。
  論文  参考訳（メタデータ） (2023-03-16T18:54:20Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• PyTorch Geometric Signed Directed: A Software Package on Graph Neural Networks for Signed and Directed Graphs [20.832917829426098]
  PyGSD (PyTorch Geometric Signed Directed) は、PyGSDのソフトウェアパッケージである。 PyGSDは、使い易いGNNモデル、合成および実世界のデータ、タスク固有の評価指標と損失関数で構成されている。 PyGの拡張ライブラリとして提案されているソフトウェアは、オープンソースリリース、詳細なドキュメント、継続的インテグレーション、ユニットテスト、コードカバレッジチェックでメンテナンスされています。
  論文  参考訳（メタデータ） (2022-02-22T10:25:59Z)
• Deployment of Deep Neural Networks for Object Detection on Edge AI Devices with Runtime Optimization [11.408144862469172]
  エッジAIプラットフォームに2つの代表的なオブジェクト検出ネットワークを配置することを検討する。 特に、画像ベースの2Dオブジェクト検出のためのRetinaNetと、LiDARベースの3Dオブジェクト検出のためのPointPillarsについて検討する。 我々はRTとTorchScriptの2つの異なるライブラリを用いて,デプロイアルゴリズムのランタイムを評価する。
  論文  参考訳（メタデータ） (2021-08-18T14:21:53Z)
• Design of a Graphical User Interface for Few-Shot Machine Learning Classification of Electron Microscopy Data [0.23453441553817042]
  我々は,Python ベースのグラフィカルユーザインタフェースを開発し,エンドユーザが数発の学習モデルのアウトプットを容易に実行し,視覚化できるようにする。 このインターフェースは軽量で,ローカルあるいはWeb上でホストすることができる。
  論文  参考訳（メタデータ） (2021-07-21T23:02:33Z)
• RICE: Refining Instance Masks in Cluttered Environments with Graph Neural Networks [53.15260967235835]
  本稿では,インスタンスマスクのグラフベース表現を利用して,そのような手法の出力を改良する新しいフレームワークを提案する。 我々は、セグメンテーションにスマートな摂動をサンプリングできるディープネットワークと、オブジェクト間の関係をエンコード可能なグラフニューラルネットワークを訓練し、セグメンテーションを評価する。 本稿では,本手法によって生成された不確実性推定を用いてマニピュレータを誘導し,乱れたシーンを効率的に理解するアプリケーションについて紹介する。
  論文  参考訳（メタデータ） (2021-06-29T20:29:29Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)

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。