論文の概要: Coevolving Boolean and Multi-Valued Regulatory Networks
- arxiv url: http://arxiv.org/abs/2302.01694v1
- Date: Fri, 3 Feb 2023 12:48:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 16:28:08.241410
- Title: Coevolving Boolean and Multi-Valued Regulatory Networks
- Title(参考訳): ブールネットワークと多値制御ネットワークの共進化
- Authors: Larry Bull
- Abstract要約: 遺伝子状態の数を増やす効果を探索するモデルの改良形式が以前にも紹介されている。
本稿では、これらの離散力学ネットワークを、結合された頑丈なフィットネスランドスケープ内で共進化させ、それらの振る舞いを探索する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Random Boolean networks have been used widely to explore aspects of gene
regulatory networks. A modified form of the model through which to
systematically explore the effects of increasing the number of gene states has
previously been introduced. In this paper, these discrete dynamical networks
are coevolved within coupled, rugged fitness landscapes to explore their
behaviour. Results suggest the general properties of the Boolean model remain
with higher valued logic regardless of the update scheme or fitness sampling
method. Introducing topological asymmetry in the coevolving networks is seen to
alter behaviour.
- Abstract(参考訳): ランダムブールネットワークは遺伝子制御ネットワークの側面を探るために広く利用されている。
遺伝子数を増やす効果を体系的に探求するモデルの改良形式が、これまで紹介されてきた。
本稿では,これらの離散力学ネットワークは,結合した頑丈な運動環境の中で共進化し,それらの行動を探索する。
その結果,booleanモデルの汎用性は,更新スキームや適合サンプリング法に関わらず,高い値の論理に留まっていることが示唆された。
共進化ネットワークにおける位相的非対称性の導入は行動を変化させる。
関連論文リスト
- Subhomogeneous Deep Equilibrium Models [6.064507774788186]
暗黙のニューラルネットワークは、様々なアプリケーションにおける従来のネットワークの強力な代替手段として成長してきた。
我々は,非同次作用素の概念と非線形ペロン・フロベニウス理論に基づく暗黙深度ニューラルネットワークにおける固定点の存在と特異性について,新たな解析を行った。
論文 参考訳(メタデータ) (2024-03-01T18:12:46Z) - Symbolic Regression of Dynamic Network Models [0.0]
ネットワーク生成器の新たな定式化とパラメータフリー適合関数を導入し、生成されたネットワークを評価する。
我々は、時間変化ネットワークのルールを作成し、検索するためにジェネレータのセマンティクスを変更することで、このアプローチを拡張した。
このフレームワークは、主要都市の地下鉄ネットワーク、ストリートネットワークの地域、人工知能における文学のセマンティック共起ネットワークの3つの経験的なデータセットで使用された。
論文 参考訳(メタデータ) (2023-12-15T00:34:45Z) - From NeurODEs to AutoencODEs: a mean-field control framework for
width-varying Neural Networks [68.8204255655161]
本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。
損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
論文 参考訳(メタデータ) (2023-07-05T13:26:17Z) - 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) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳(メタデータ) (2023-04-19T16:39:44Z) - Backpropagation on Dynamical Networks [0.0]
本稿では,リカレントニューラルネットワークのトレーニングによく使用されるBPTTアルゴリズムに基づくネットワーク推論手法を提案する。
局所ノードダイナミクスの近似は、まずニューラルネットワークを用いて構築される。
得られた局所モデルと重み付けによるフリーラン予測性能は、真のシステムに匹敵することがわかった。
論文 参考訳(メタデータ) (2022-07-07T05:22:44Z) - Topographic VAEs learn Equivariant Capsules [84.33745072274942]
本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。
このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。
我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
論文 参考訳(メタデータ) (2021-09-03T09:25:57Z) - Network Embedding via Deep Prediction Model [25.727377978617465]
本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。
ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。
ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
論文 参考訳(メタデータ) (2021-04-27T16:56:00Z) - Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。
異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。
提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文 参考訳(メタデータ) (2021-04-12T12:45:16Z) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳(メタデータ) (2020-10-11T06:26:56Z) - DANR: Discrepancy-aware Network Regularization [15.239252118069762]
ネットワーク正規化は、ネットワーク上のコヒーレントモデルを学習するための効果的なツールである。
本稿では,正規化が不十分で,時間的ネットワーク上でのモデル進化と構造変化を効果的に捉える新しい手法を提案する。
本研究では,乗算器の交互化法(ADMM)に基づくスケーラブルでスケーラブルなアルゴリズムを開発し,大域的最適解への収束を保証する。
論文 参考訳(メタデータ) (2020-05-31T02:01:19Z)
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。