論文の概要: Link prediction with continuous-time classical and quantum walks

• arxiv url: http://arxiv.org/abs/2208.11030v1
• Date: Tue, 23 Aug 2022 15:16:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 14:16:21.765989
• Title: Link prediction with continuous-time classical and quantum walks
• Title（参考訳）: 連続時間古典および量子ウォークによるリンク予測
• Authors: Mark Goldsmith, Guillermo Garc\'ia-P\'erez, Joonas Malmi, Matteo A. C. Rossi, Harto Saarinen, Sabrina Maniscalco
• Abstract要約: 本稿では,連続時間古典的および量子ランダムウォークに基づくリンク予測手法を提案する。 この結果から,ネットワーク隣接行列を用いた連続的古典的ランダムウォークと量子ウォークが,タンパク質とタンパク質の相互作用の欠如を予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein-protein interaction (PPI) networks consist of the physical and/or functional interactions between the proteins of an organism. Since the biophysical and high-throughput methods used to form PPI networks are expensive, time-consuming, and often contain inaccuracies, the resulting networks are usually incomplete. In order to infer missing interactions in these networks, we propose a novel class of link prediction methods based on continuous-time classical and quantum random walks. In the case of quantum walks, we examine the usage of both the network adjacency and Laplacian matrices for controlling the walk dynamics. We define a score function based on the corresponding transition probabilities and perform tests on four real-world PPI datasets. Our results show that continuous-time classical random walks and quantum walks using the network adjacency matrix can successfully predict missing protein-protein interactions, with performance rivalling the state of the art.
• Abstract（参考訳）: PPIネットワークは、生物のタンパク質間の物理的および/または機能的な相互作用からなる。 PPIネットワークを形成するための生物物理学的および高スループットの手法は高価であり、時間がかかり、しばしば不正確であるので、結果として生じるネットワークは通常不完全である。 これらのネットワークにおける相互作用の欠如を推測するために,連続時間古典的および量子ランダムウォークに基づくリンク予測手法を提案する。 量子ウォークの場合,ネットワーク隣接度とラプラシア行列の両方を用いて歩行力学を制御する。 対応する遷移確率に基づいてスコア関数を定義し、4つの実世界のppiデータセットでテストを行う。 この結果から,ネットワーク隣接行列を用いた連続的古典的ランダムウォークと量子ウォークは,タンパク質とタンパク質の相互作用の欠如を予測できることがわかった。

関連論文リスト

• Dissipation-driven quantum generative adversarial networks [11.833077116494929]
  本稿では,従来のデータ生成に適した,分散駆動型量子生成逆数ネットワーク(DQGAN)アーキテクチャを提案する。 古典データは、強い調整された散逸過程を通じて入力層の入力量子ビットに符号化される。 出力量子ビットの定常状態の可観測値を測定することにより、生成されたデータと分類結果の両方を抽出する。
  論文  参考訳（メタデータ） (2024-08-28T07:41:58Z)
• Sequence Processing with Quantum Tensor Networks [1.534667887016089]
  本稿では,解釈可能性と資源圧縮を動機としたシーケンス処理のための複雑なテンソルネットワークモデルを提案する。 本研究では,自然言語とバイオインフォマティクスに関連する配列のバイナリ分類の課題について実験的に検討した。 また,QuantinuumのH2-1トラップイオン量子プロセッサの実装を実証し,短期量子デバイス上での効率的なシーケンス処理の可能性を示した。
  論文  参考訳（メタデータ） (2023-08-15T16:33:39Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Quantum Link Prediction in Complex Networks [0.0]
  経路に基づくリンク予測手法は、ノード間の偶数と奇数の長さの経路の明示的なカウントを利用してスコア関数を定量化し、新しいリンクや観測されていないリンクを推測する。 経路ベースリンク予測のための量子アルゴリズムQLPを提案し、制御された連続時間量子ウォークを用いて偶数および奇数経路ベースの予測スコアを符号化する。
  論文  参考訳（メタデータ） (2021-12-09T08:58:31Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Link Prediction for Temporally Consistent Networks [6.981204218036187]
  リンク予測は、動的ネットワークにおける次の関係を推定する。 動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。 時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-06T07:28:03Z)
• SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks [70.64925872964416]
  分子間相互作用の予測のためのグラフニューラルネットワークSkipGNNを提案する。 SkipGNNは直接相互作用からの情報だけでなく、二階相互作用からも情報を収集することで分子間相互作用を予測する。 また,SkipGNNは,既存の手法を最大28.8%上回り,優れた,堅牢な性能を実現していることを示す。
  論文  参考訳（メタデータ） (2020-04-30T16:55:58Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)
• Semidefinite tests for quantum network topologies [0.9176056742068814]
  量子ネットワークは、長距離通信、量子暗号、クロック同期、分散量子コンピューティングにおいて重要な役割を果たしている。 与えられた量子ネットワークがどの相関を生じさせるのかという問題は、いまだに未解決のままである。 従来は古典的ケースで導かれていた観測可能共分散の制約が量子ネットワークにも適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-13T22:36:46Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。