論文の概要: Reconstruction of gene regulatory network via sparse optimization

• arxiv url: http://arxiv.org/abs/2211.07375v1
• Date: Fri, 11 Nov 2022 07:57:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 21:30:45.222881
• Title: Reconstruction of gene regulatory network via sparse optimization
• Title（参考訳）: スパース最適化による遺伝子制御ネットワークの再構築
• Authors: Jiashu Lou, Leyi Cui, Wenxuan Qiu
• Abstract要約: 規制ネットワークの20%を事前の既知のデータとして導入することで、推論アルゴリズムのパラメータ選択の基盤となることが判明した。 DREAM5データセットの実験では、モデレーション関係のスパース最適化に基づく推論がうまく機能していることが示されている。 投票アルゴリズムは4つのデータセットのうち3つで最良の結果を得る。
• 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: In this paper, we tested several sparse optimization algorithms based on the public dataset of the DREAM5 Gene Regulatory Network Inference Challenge. And we find that introducing 20% of the regulatory network as a priori known data can provide a basis for parameter selection of inference algorithms, thus improving prediction efficiency and accuracy. In addition to testing common sparse optimization methods, we also developed voting algorithms by bagging them. Experiments on the DREAM5 dataset show that the sparse optimization-based inference of the moderation relation works well, achieving better results than the official DREAM5 results on three datasets. However, the performance of traditional independent algorithms varies greatly in the face of different datasets, while our voting algorithm achieves the best results on three of the four datasets.
• Abstract（参考訳）: 本稿では,DREAM5 Gene Regulatory Network Inference Challengeの公開データセットに基づくスパース最適化アルゴリズムについて検討した。 また,制御ネットワークの20%を事前既知のデータとして導入することで,推論アルゴリズムのパラメータ選択の基礎となり,予測効率と精度が向上することがわかった。 また, 共通スパース最適化手法の検証に加えて, 投票アルゴリズムの開発を行った。 DREAM5データセットの実験は、モデレーション関係のスパース最適化に基づく推論がうまく機能し、3つのデータセットの公式なDREAM5結果よりも優れた結果が得られることを示している。 しかし、従来の独立アルゴリズムの性能は異なるデータセットに直面して大きく異なり、我々の投票アルゴリズムは4つのデータセットのうち3つで最高の結果を得る。

関連論文リスト

• Reward-Augmented Data Enhances Direct Preference Alignment of LLMs [56.24431208419858]
  報奨条件付き大言語モデル(LLM)を導入し、データセット内の応答品質のスペクトル全体から学習する。 そこで本稿では,品質スコアに優先ペアを条件付け,報酬を加算したデータセットを構築する,効果的なデータレバーベリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:01:51Z)
• Rolling the dice for better deep learning performance: A study of randomness techniques in deep neural networks [4.643954670642798]
  本稿では,Deep Neural Networks(DNN)における様々なランダム化手法について検討する。 テクニックは、損失関数にノイズを加える、ランダムな勾配更新をマスキングする、データ拡張と重み一般化の4つのタイプに分類される。 完全な実装とデータセットはGitHubで入手できる。
  論文  参考訳（メタデータ） (2024-04-05T10:02:32Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• DBGSA: A Novel Data Adaptive Bregman Clustering Algorithm [2.0232038310495435]
  本稿では,データセットの初期選択とロバスト性に非常に敏感なクラスタリングアルゴリズムを提案する。 4つのシミュレーションデータセットと6つの実データセットで大規模な実験を行う。 その結果,アルゴリズムの精度は平均63.8%向上した。
  論文  参考訳（メタデータ） (2023-07-25T16:37:09Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Learning to Hash Robustly, with Guarantees [79.68057056103014]
  本稿では,理論的アルゴリズムと本質的に一致する最悪ケース保証を持つハミング空間のためのNSアルゴリズムを設計する。 理論的にも実用的にも、与えられたデータセットに対してアルゴリズムが最適化できる能力を評価する。 我々のアルゴリズムは、MNISTおよびImageNetデータセットに対する最悪のパフォーマンスのクエリを、1.8倍と2.1倍の精度でリコールする。
  論文  参考訳（メタデータ） (2021-08-11T20:21:30Z)
• Optimizing Neural Network Weights using Nature-Inspired Algorithms [2.610470075814367]
  データから学習すると,これらのアルゴリズムがDFNNの重みを効率的に更新することを示す。 3つのウィスコンシン乳がんデータセットを用いた最適化アルゴリズムを用いてDFNNの性能評価を行った。
  論文  参考訳（メタデータ） (2021-05-20T18:32:29Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)
• Classification Algorithm of Speech Data of Parkinsons Disease Based on Convolution Sparse Kernel Transfer Learning with Optimal Kernel and Parallel Sample Feature Selection [14.1270098940551]
  スパースカーネル転送学習に基づく新しいPD分類アルゴリズムを提案する。 スパース伝達学習は公共データセットからPD音声の特徴構造情報を抽出するために用いられる。 提案アルゴリズムは、分類精度が明らかに向上する。
  論文  参考訳（メタデータ） (2020-02-10T13:20:21Z)

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。