論文の概要: Neural-Network-Directed Genetic Programmer for Discovery of Governing Equations

• arxiv url: http://arxiv.org/abs/2203.08808v1
• Date: Tue, 15 Mar 2022 21:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-19 10:32:11.258336
• Title: Neural-Network-Directed Genetic Programmer for Discovery of Governing Equations
• Title（参考訳）: 神経ネットワーク型遺伝的プログラムによる統治方程式の発見
• Authors: Shahab Razavi, Eric R. Gamazon
• Abstract要約: faiGPは、文法にエンコードされた関数代数の性質を利用するように設計されている。 我々は, トランスクリプトームの研究から適応した多様性指標を含む, 各種正則化剤の影響を定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a symbolic regression framework for extracting the governing mathematical expressions from observed data. The evolutionary approach, faiGP, is designed to leverage the properties of a function algebra that have been encoded into a grammar, providing a theoretical guarantee of universal approximation and a way to minimize bloat. In this framework, the choice of operators of the grammar may be informed by a physical theory or symmetry considerations. Since there is currently no theory that can derive the 'constants of nature', an empirical investigation on extracting these coefficients from an evolutionary process is of methodological interest. We quantify the impact of different types of regularizers, including a diversity metric adapted from studies of the transcriptome and a complexity measure, on the performance of the framework. Our implementation, which leverages neural networks and a genetic programmer, generates non-trivial symbolically equivalent expressions ("Ramanujan expressions") or approximations with potentially interesting numerical applications. To illustrate the framework, a model of ligand-receptor binding kinetics, including an account of gene regulation by transcription factors, and a model of the regulatory range of the cistrome from omics data are presented. This study has important implications on the development of data-driven methodologies for the discovery of governing equations in experimental data derived from new sensing systems and high-throughput screening technologies.
• Abstract（参考訳）: 本研究では,観測データから数式を抽出するシンボリック回帰フレームワークを開発した。 進化的アプローチであるfaigpは、文法にエンコードされた関数代数の性質を活用し、普遍近似の理論的保証とブロアを最小化する方法を提供するように設計されている。 この枠組みでは、文法の演算子の選択は物理理論や対称性の考慮によって伝達される。 現在、「自然の物質」を導出できる理論は存在しないので、進化過程からこれらの係数を抽出する実験的な研究は方法論的関心事である。 本研究は,トランスクリプトームの研究から適応した多様性尺度や複雑性尺度など,多種多様な正規化要因がフレームワークの性能に与える影響を定量化する。 ニューラルネットワークと遺伝的プログラマを活用した実装では,非自明な記号的等価表現(ラマヌジャン表現)や,潜在的に興味深い数値的応用による近似を生成する。 本フレームワークを説明するために、転写因子による遺伝子調節の考慮を含むリガンド受容体結合動態のモデル、およびオミクスデータからのシストロームの調節範囲のモデルを示す。 本研究は,新しいセンシングシステムと高スループットスクリーニング技術から得られた実験データにおける支配方程式の発見のためのデータ駆動手法の開発に重要な意味を持つ。

関連論文リスト

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• 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)
• Nonlinear classification of neural manifolds with contextual information [6.292933471495322]
  多様体容量は、人口幾何学とニューラル多様体の分離性とを結びつける有望な枠組みとして出現している。 本稿では,文脈入力情報を活用することによって,この制限を克服する理論的枠組みを提案する。 我々のフレームワークの表現性の向上は、階層階層の初期段階のディープネットワークにおける表現アンハングメントをキャプチャするが、以前は分析にはアクセスできない。
  論文  参考訳（メタデータ） (2024-05-10T23:37:31Z)
• 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)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• A Generative Modeling Framework for Inferring Families of Biomechanical Constitutive Laws in Data-Sparse Regimes [0.15658704610960567]
  本稿では,データスパース体制における関係の家族を効率的に推定する新しい手法を提案する。 機能的先行概念に着想を得て,ニューラル演算子をジェネレータとし,完全接続ネットワークを敵判別器として組み込んだ生成ネットワーク(GAN)を開発した。
  論文  参考訳（メタデータ） (2023-05-04T22:07:27Z)
• Controllable Neural Symbolic Regression [10.128755371375572]
  記号回帰では、数学的記号の最小使用量で実験データに適合する解析式を見つけることが目的である。 仮説付きニューラルシンボリック回帰(NSRwH)と呼ばれる新しいニューラルシンボリック回帰法を提案する。 実験により,提案した条件付き深層学習モデルは,精度で非条件付き学習モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-20T14:20:48Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• 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)
• Complexity-based speciation and genotype representation for neuroevolution [81.21462458089142]
  本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。 提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
  論文  参考訳（メタデータ） (2020-10-11T06:26:56Z)

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。