論文の概要: Solving the HP model with Nested Monte Carlo Search

• arxiv url: http://arxiv.org/abs/2301.09533v1
• Date: Mon, 23 Jan 2023 16:35:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 12:57:27.711004
• Title: Solving the HP model with Nested Monte Carlo Search
• Title（参考訳）: Nested Monte Carlo SearchによるHPモデルの解法
• Authors: Milo Roucairol and Tristan Cazenave
• Abstract要約: 我々は,HPモデルにおけるタンパク質の基底状態エネルギーを求めるためのモンテカルロ探索法を提案する。 本稿では, PERM (Hsu and Grassberger 2011), REMC (Thachuk, Shmygelska, Hoos or WLRE (W"ust and Landau 2012) を参照。
• 参考スコア（独自算出の注目度）: 4.38602607138044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we present a new Monte Carlo Search (MCS) algorithm for finding the ground state energy of proteins in the HP-model. We also compare it briefly to other MCS algorithms not usually used on the HP-model and provide an overview of the algorithms used on HP-model. The algorithm presented in this paper does not beat state of the art algorithms, see PERM (Hsu and Grassberger 2011), REMC (Thachuk, Shmygelska, and Hoos 2007) or WLRE (W\"ust and Landau 2012) for better results. Hsu, H.-P.; and Grassberger, P. 2011. A review of Monte Carlo simulations of polymers with PERM. Journal of Statistical Physics, 144 (3): 597 to 637. Thachuk, C.; Shmygelska, A.; and Hoos, H. H. 2007. A replica exchange Monte Carlo algorithm for protein folding in the HP model. BMC Bioinformatics, 8(1): 342. W\"ust, T.; and Landau, D. P. 2012. Optimized Wang-Landau sampling of lattice polymers: Ground state search and folding thermodynamics of HP model proteins. The Journal of Chemical Physics, 137(6): 064903.
• Abstract（参考訳）: 本稿では,hpモデルにおけるタンパク質の基底状態エネルギーを求めるモンテカルロ探索(mcs)アルゴリズムを提案する。 また、HPモデルでは通常使われていない他のMCSアルゴリズムと比較し、HPモデルで使用されるアルゴリズムの概要を提供する。 本論文で提示されたアルゴリズムは,perm (hsu and grassberger 2011), remc (thachuk, shmygelska, hoos 2007) や wlre (w\"ust and landau 2012) など,最先端のアルゴリズムには勝っていない。 H、H。 -P。 and grassberger, p. 2011年。 PERMによる高分子のモンテカルロシミュレーションの概観 journal of statistical physics, 144 (3): 597 - 637。 タチュク c. とShmygelska, A。 とHoos, H. H. 2007。 HPモデルにおけるタンパク質折り畳みのためのモンテカルロの複製交換アルゴリズム bmcバイオインフォマティクス, 8(1): 342。 略称は「T」。 とLandau, D. P. 2012。 格子ポリマーの最適化Wang-Landauサンプリング:HPモデルタンパク質の基底状態探索と折り畳み熱力学 the journal of chemical physics, 137(6): 064903。

関連論文リスト

• Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
  Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。 提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-22T17:58:23Z)
• Generate plane quad mesh with neural networks and tree search [0.21320960069210473]
  TreeMeshは、強化学習(教師付き学習も可能)と新しいモンテカルロ木探索(MCTS)を利用する方法である。 本プログラムは, 薄膜材料に共通する種子密度変化境界に対して, 高い優位性を示す。
  論文  参考訳（メタデータ） (2021-11-15T09:03:34Z)
• Antithetic Riemannian Manifold And Quantum-Inspired Hamiltonian Monte Carlo [3.686886131767452]
  我々は、ハミルトニアンモンテカルロと量子インスパイアされたハミルトニアンモンテカルロのアンチセティックバージョンである新しいアルゴリズムを提案する。 ハミルトニアン・モンテカルロにアンチセティックサンプリングを加えると、バニラ・ハミルトニアン・モンテカルロよりも高い有効試料率が得られることが示されている。 この分析は,実世界の金融市場データを用いたジャンプ拡散プロセス,およびベイジアンロジスティック回帰を用いた実世界のベンチマーク分類タスクで実施される。
  論文  参考訳（メタデータ） (2021-07-05T15:03:07Z)
• Robust 360-8PA: Redesigning The Normalized 8-point Algorithm for 360-FoV Images [53.11097060367591]
  球面投影における360-fov画像から本質行列を推定する新しい手法を提案する。 我々の正規化は、時間を大幅に上回ることなく、カメラの精度を約20%向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-04-22T07:23:11Z)
• Generalize a Small Pre-trained Model to Arbitrarily Large TSP Instances [55.64521598173897]
  本稿では,旅行セールスマン問題(TSP)のヒートマップ構築に繰り返し使用可能な,小規模モデルのトレーニングを試みる。 ヒートマップは強化学習アプローチ(モンテカルロツリーサーチ)に供給され、高品質のソリューションの検索を案内します。 実験結果によると、この新しいアプローチは、既存の機械学習ベースのTSPアルゴリズムを明らかに上回る。
  論文  参考訳（メタデータ） (2020-12-19T11:06:30Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Scaling Hamiltonian Monte Carlo Inference for Bayesian Neural Networks with Symmetric Splitting [6.684193501969829]
  ハミルトニアン・モンテカルロ(英: Hamiltonian Monte Carlo、HMC)は、マルコフ連鎖モンテカルロのアプローチであり、ニューラルネットワークのような高次元モデルにおいて好ましい探索特性を示す。 対称勾配に依存しない分割HMCに対する新たな積分方式を導入する。 提案手法は,大規模機械学習問題に対する推論スキームを考慮した場合,HMCを実現可能な選択肢として示す。
  論文  参考訳（メタデータ） (2020-10-14T01:58:34Z)
• POLY-HOOT: Monte-Carlo Planning in Continuous Space MDPs with Non-Asymptotic Analysis [24.373900721120286]
  連続的な状態-作用空間を持つ環境でのモンテカルロ計画を考える。 我々は,モンテカルロ計画に連続的な武装バンディット戦略を付加するアルゴリズムであるPoly-HOOTを紹介する。 非定常バンディット問題において,HOOアルゴリズムが拡張されたことを初めて後悔する。
  論文  参考訳（メタデータ） (2020-06-08T15:23:19Z)
• MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical Models [96.1052289276254]
  この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。 驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
  論文  参考訳（メタデータ） (2020-04-16T16:20:53Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)
• On the Convergence of the Monte Carlo Exploring Starts Algorithm for Reinforcement Learning [8.19727735624814]
  強化学習のための単純で自然なアルゴリズムはMonte Carlo Exploring Starts (MCES)である 我々は,元来のより効率的な MCES アルゴリズムを駆使し,最適ポリシーフィードフォワード MDP の収束性をほぼ確実に確立する。 我々は、非常に単純で、大数の強法則のみを利用する、新しい帰納的アプローチを導入する。
  論文  参考訳（メタデータ） (2020-02-10T07:54:57Z)

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。