Fugu-MT 論文翻訳(概要): Marker and source-marker reprogramming of Most Permissive Boolean networks and ensembles with BoNesis

論文の概要: Marker and source-marker reprogramming of Most Permissive Boolean networks and ensembles with BoNesis

arxiv url: http://arxiv.org/abs/2207.13307v1
Date: Wed, 27 Jul 2022 05:31:47 GMT
ステータス: 処理完了
システム内更新日: 2022-07-28 13:57:45.783556
Title: Marker and source-marker reprogramming of Most Permissive Boolean networks and ensembles with BoNesis
Title（参考訳）: BoNesisを用いた最もパーミッシブなブールネットワークとアンサンブルのマーカとソースマーカ
Authors: Lo\"ic Paulev\'e
Abstract要約: 本稿では,BoNesisソフトウェアを用いて,その固定点とアトラクタの特性を強制する摂動の組み合わせを徹底的に同定する方法について述べる。マーカー再プログラミング問題の4つの変種について検討する: 固定点の再プログラミング、最小のトラップ空間、および与えられた初期設定から最も許容される更新モードで到達可能な最小のトラップ空間。いずれの場合も、理論計算の複雑さに上限を与え、BoNesis Pythonフレームワークを使った解決法の実装を与える。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Boolean networks (BNs) are discrete dynamical systems with applications to the modeling of cellular behaviors. In this paper, we demonstrate how the software BoNesis can be employed to exhaustively identify combinations of perturbations which enforce properties on their fixed points and attractors. We consider marker properties, which specify that some components are fixed to a specific value. We study 4 variants of the marker reprogramming problem: the reprogramming of fixed points, of minimal trap spaces, and of fixed points and minimal trap spaces reachable from a given initial configuration with the most permissive update mode. The perturbations consist of fixing a set of components to a fixed value. They can destroy and create new attractors. In each case, we give an upper bound on their theoretical computational complexity, and give an implementation of the resolution using the BoNesis Python framework. Finally, we lift the reprogramming problems to ensembles of BNs, as supported by BoNesis, bringing insight on possible and universal reprogramming strategies. This paper can be executed and modified interactively.
Abstract（参考訳）: ブールネットワーク(BN)は離散力学系であり、細胞の挙動のモデリングへの応用がある。本稿では,BoNesisソフトウェアを用いて,その固定点とアトラクタの特性を強制する摂動の組合せを徹底的に同定する方法を実証する。いくつかのコンポーネントが特定の値に固定されていることを指定するマーカー特性について検討する。マーカー再プログラミング問題の4つの変種について検討する: 固定点の再プログラミング、最小のトラップ空間、および与えられた初期設定から最も許容される更新モードで到達可能な最小のトラップ空間。摂動は、一連のコンポーネントを固定された値に固定することで成る。破壊して新たな魅力を生み出すことができる。いずれの場合においても、その理論計算の複雑さを上限にし、bonesis pythonフレームワークを用いた解決法の実装を与える。最後に、BoNesisが支持しているように、BNのアンサンブルにリプログラミング問題を取り上げ、可能で普遍的なリプログラミング戦略に関する洞察をもたらす。この論文はインタラクティブに実行および修正することができる。

関連論文リスト

CWF: Consolidating Weak Features in High-quality Mesh Simplification [50.634070540791555]
これらの要件をすべて同時に検討するスムーズな機能を提案する。この官能基は、通常の異方性項と、セトロイド型ボロノイテッセルレーション(CVT)エネルギー項を含む。
論文参考訳（メタデータ） (2024-04-24T05:37:17Z)
UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
論文参考訳（メタデータ） (2024-02-12T19:39:26Z)
A Contrastive Variational Graph Auto-Encoder for Node Clustering [10.52321770126932]
最先端のクラスタリング手法には多くの課題がある。既存のVGAEは、推論と生成モデルの相違を考慮していない。私たちのソリューションには、フィーチャーランダムネスとフィーチャードリフトのトレードオフを制御する2つのメカニズムがあります。
論文参考訳（メタデータ） (2023-12-28T05:07:57Z)
Tackling Universal Properties of Minimal Trap Spaces of Boolean Networks [7.621862131380908]
最小トラップ空間(MTS)はブール力学が捕捉される部分空間をキャプチャする。 MTSの普遍性に関する論理的推論を2つの問題の範囲で解決する。本稿では,これらの問題を効率的に解くために,CEGAR(Counter-Example Guided Refinement Abstraction)を導入する。
論文参考訳（メタデータ） (2023-05-03T22:05:33Z)
Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文参考訳（メタデータ） (2023-02-08T08:17:43Z)
Residual Multiplicative Filter Networks for Multiscale Reconstruction [24.962697695403037]
我々は,学習した再構成の周波数サポートをきめ細かな制御で粗大な最適化を可能にする,新しい座標ネットワークアーキテクチャとトレーニング手法を提案する。これらの修正によって、自然画像への粗大なフィッティングのマルチスケール最適化が実現されることを示す。次に, 単粒子Creo-EM再構成問題に対する合成データセットのモデル評価を行った。
論文参考訳（メタデータ） (2022-06-01T20:16:28Z)
Standard Deviation-Based Quantization for Deep Neural Networks [17.495852096822894]
深層ニューラルネットワークの量子化は、推論コストを低減するための有望なアプローチである。ネットワークの重みと活性化分布の知識を用いて量子化間隔(離散値)を学習する新しいフレームワークを提案する。提案手法は,ネットワークのパラメータを同時に推定し,量子化過程におけるプルーニング比を柔軟に調整する。
論文参考訳（メタデータ） (2022-02-24T23:33:47Z)
Extended Stochastic Block Models with Application to Criminal Networks [3.2211782521637393]
犯罪者間の関係を符号化する隠蔽ネットワークについて検討する。ノイズの多いブロックパターンの共存は、日常的に使用されるコミュニティ検出アルゴリズムの信頼性を制限する。我々は,共通接続パターンを持つノード群を推論する拡張ブロックモデル(ESBM)を新たに開発した。
論文参考訳（メタデータ） (2020-07-16T19:06:16Z)
Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文参考訳（メタデータ） (2020-07-16T02:00:53Z)
An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文参考訳（メタデータ） (2020-06-18T20:09:53Z)
Taxonomy of Dual Block-Coordinate Ascent Methods for Discrete Energy Minimization [96.1052289276254]
離散的グラフィカルモデルにおける最大姿勢推定問題と、二重ブロック座標法に基づく解法について考察する。既存のすべてのソルバをひとつのフレームワークにマッピングし、設計原則をより深く理解できるようにします。
論文参考訳（メタデータ） (2020-04-16T15:49:13Z)

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。