論文の概要: Combining Machine Learning and Agent-Based Modeling to Study Biomedical Systems

• arxiv url: http://arxiv.org/abs/2206.01092v1
• Date: Thu, 2 Jun 2022 15:19:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-03 17:12:28.096375
• Title: Combining Machine Learning and Agent-Based Modeling to Study Biomedical Systems
• Title（参考訳）: 機械学習とエージェントベースモデリングを組み合わせるバイオメディカルシステムの研究
• Authors: Nikita Sivakumar, Cameron Mura, Shayn M. Peirce
• Abstract要約: エージェントベースモデリング(エージェントベースモデリング、ABM)は、構成体間の相互作用を通じて複雑なシステムをシミュレートするためのよく確立されたパラダイムである。 機械学習(ML)は、統計アルゴリズムがシステム行動の事前理論を課すことなく、自身のデータから'学習する'アプローチを指す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent-based modeling (ABM) is a well-established paradigm for simulating complex systems via interactions between constituent entities. Machine learning (ML) refers to approaches whereby statistical algorithms 'learn' from data on their own, without imposing a priori theories of system behavior. Biological systems -- from molecules, to cells, to entire organisms -- consist of vast numbers of entities, governed by complex webs of interactions that span many spatiotemporal scales and exhibit nonlinearity, stochasticity and intricate coupling between entities. The macroscopic properties and collective dynamics of such systems are difficult to capture via continuum modelling and mean-field formalisms. ABM takes a 'bottom-up' approach that obviates these difficulties by enabling one to easily propose and test a set of well-defined 'rules' to be applied to the individual entities (agents) in a system. Evaluating a system and propagating its state over discrete time-steps effectively simulates the system, allowing observables to be computed and system properties to be analyzed. Because the rules that govern an ABM can be difficult to abstract and formulate from experimental data, there is an opportunity to use ML to help infer optimal, system-specific ABM rules. Once such rule-sets are devised, ABM calculations can generate a wealth of data, and ML can be applied there too -- e.g., to probe statistical measures that meaningfully describe a system's stochastic properties. As an example of synergy in the other direction (from ABM to ML), ABM simulations can generate realistic datasets for training ML algorithms (e.g., for regularization, to mitigate overfitting). In these ways, one can envision various synergistic ABM$\rightleftharpoons$ML loops. This review summarizes how ABM and ML have been integrated in contexts that span spatial scales from the cellular to population-level scale epidemiology.
• Abstract（参考訳）: エージェントベースモデリング(abm)は、構成要素間の相互作用を通じて複雑なシステムをシミュレートするための確立されたパラダイムである。 機械学習(機械学習、ML)は、統計アルゴリズムがシステム行動の事前理論を課すことなく、独自のデータから「学習」する手法を指す。 生物系(分子、細胞、生物全体)は、多数の実体から構成され、多くの時空間スケールにまたがる複雑な相互作用の網によって支配され、非線型性、確率性、実体間の複雑な結合を示す。 このような系の巨視的性質と集団動力学は連続体モデリングと平均場形式論によって捉えるのが困難である。 abmは、システム内の個々のエンティティ(エージェント)に適用される、明確に定義された一連の「ルール」を簡単に提案し、テストできるようにすることで、これらの困難を緩和する「ボトムアップ」アプローチを取る。 システムを評価し、離散時間ステップ上でその状態を伝達することで、システムを効果的にシミュレートし、可観測性を計算し、システム特性を分析することができる。 ABMを統治するルールは、実験データから抽象化や定式化が難しいため、MLを使用して最適なシステム固有のABMルールを推測する機会がある。 このようなルールセットが考案されると、AMM計算は豊富なデータを生成することができ、例えばMLはシステムの確率的性質を有意義に記述する統計測度を探索するためにも応用できる。 他の方向(ABMからMLまで)のシナジーの例として、ABMシミュレーションはMLアルゴリズムを訓練するための現実的なデータセットを生成することができる(正規化など)。 このような方法では、様々な相乗的 ABM$\rightleftharpoons$ML ループを想像できる。 本総説では, ABM と ML が細胞内から集団レベルの疫学まで空間スケールにどのように統合されているのかを概説する。

関連論文リスト

• Leveraging The Finite States of Emotion Processing to Study Late-Life Mental Health [0.3370543514515051]
  隠れマルコフモデル(HMM)は、観測可能な複数の構成要素間の逐次関係を記述する統計モデルである。 本稿では,FSA理論に着目した簡易かつ直感的なHMM処理パイプラインvcHMM(See Preliminary Data)について述べる。
  論文  参考訳（メタデータ） (2024-03-06T02:46:17Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Smart Agent-Based Modeling: On the Use of Large Language Models in Computer Simulations [19.84766478633828]
  エージェントベースモデリング(ABM)は、複雑なシステムダイナミクスをエミュレートするために個々のエージェントの相互作用を利用する。 本稿では,GPT のような大規模言語モデル (LLM) を ABM に組み込むことにより,これらの境界を超越する手法を提案する。 このアマルガメーションは、新しいフレームワーク、スマートエージェントベースモデリング(SABM)を生み出す。
  論文  参考訳（メタデータ） (2023-11-10T18:54:33Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Meta-Learning of Neural State-Space Models Using Data From Similar Systems [11.206109495578705]
  本稿では,深層エンコーダネットワークを用いたSSM構築のためのモデルに依存しないメタラーニングを提案する。 メタラーニングは教師付き学習や伝達学習よりも正確な神経SSMモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-14T22:03:35Z)
• GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
  本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。 このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
  論文  参考訳（メタデータ） (2022-08-23T03:45:39Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• A Rigorous Machine Learning Analysis Pipeline for Biomedical Binary Classification: Application in Pancreatic Cancer Nested Case-control Studies with Implications for Bias Assessments [2.9726886415710276]
  バイナリ分類にフォーカスした、厳格で厳格なML分析パイプラインをレイアウトし、組み立てました。 この'自動'だがカスタマイズ可能なパイプラインは、a)探索分析、b)データのクリーニングと変換、c)特徴選択、d)9つの確立されたMLアルゴリズムによるモデルトレーニングを含む。 本パイプラインは,癌に対する確立された,新たに同定されたリスクファクターの疫学的検討に適用し,MLアルゴリズムによって異なるバイアス源がどのように扱われるかを評価する。
  論文  参考訳（メタデータ） (2020-08-28T19:58:05Z)

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。