論文の概要: Biologically inspired ChaosNet architecture for Hypothetical Protein Classification

• arxiv url: http://arxiv.org/abs/2302.02427v1
• Date: Sun, 5 Feb 2023 16:48:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 18:16:11.655123
• Title: Biologically inspired ChaosNet architecture for Hypothetical Protein Classification
• Title（参考訳）: 仮想タンパク質分類のための生物学的にインスパイアされたChaosNetアーキテクチャ
• Authors: Sneha K H, Adhithya Sudeesh, Pramod P Nair, Prashanth Suravajhala
• Abstract要約: ChaosNetは、分類問題のために開発された人工知能ニューラルネットワークフレームワークの一種である。 本稿では,Chaosnetを用いて仮説タンパク質(HP)の機能分類を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: ChaosNet is a type of artificial neural network framework developed for classification problems and is influenced by the chaotic property of the human brain. Each neuron of the ChaosNet architecture is the one-dimensional chaotic map called the Generalized Luroth Series (GLS). The addition of GLS as neurons in ChaosNet makes the computations straightforward while utilizing the advantageous elements of chaos. With substantially less data, ChaosNet has been demonstrated to do difficult classification problems on par with or better than traditional ANNs. In this paper, we use Chaosnet to perform a functional classification of Hypothetical proteins [HP], which is indeed a topic of great interest in bioinformatics. The results obtained with significantly lesser training data are compared with the standard machine learning techniques used in the literature.
• Abstract（参考訳）: chaosnetは分類問題のために開発された人工ニューラルネットワークフレームワークの一種であり、人間の脳のカオス性に影響されている。 ChaosNetアーキテクチャの各ニューロンは、GLS(Generalized Luroth Series)と呼ばれる1次元カオス写像である。 ChaosNetのニューロンとしてGLSを追加することで、カオスの有利な要素を活用しながら、計算が簡単になる。 かなり少ないデータで、ChaosNetは従来のANNと同等以上の難しい分類問題を実行することが示されている。 本稿では,chaosnetを用いて仮説タンパク質(hp)の機能的分類を行い,バイオインフォマティクスに多大な関心を寄せている。 より少ないトレーニングデータで得られた結果は、文献で使用される標準的な機械学習技術と比較される。

関連論文リスト

• 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)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity on Pruned Neural Networks [79.74580058178594]
  目的関数の幾何学的構造を解析することにより、刈り取られたニューラルネットワークを訓練する性能を解析する。 本稿では,ニューラルネットワークモデルがプルーニングされるにつれて,一般化が保証された望ましいモデル近傍の凸領域が大きくなることを示す。
  論文  参考訳（メタデータ） (2021-10-12T01:11:07Z)
• The Separation Capacity of Random Neural Networks [78.25060223808936]
  標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。 我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
  論文  参考訳（メタデータ） (2021-07-31T10:25:26Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• BraidNet: procedural generation of neural networks for image classification problems using braid theory [0.0]
  本稿では,情報理論とブレイド理論を組み合わせたニューラルネットワークの手続き的最適化手法を提案する。 ブレイドストランド間の交点と単純化されたネットワークを用いて実装した論文で研究したネットワークは、多クラス画像分類の様々な問題を解決するために使用される。 シミュレーションの結果,braidnetは学習速度と分類精度において比較優位であった。
  論文  参考訳（メタデータ） (2021-04-20T14:40:30Z)
• A Neurochaos Learning Architecture for Genome Classification [0.0]
  本稿では,データから特徴を抽出するために使用するニューロンがカオスマップであるニューロカオス学習アーキテクチャを提案する。 ChaosFEX機能は、分類のために線形カーネルを持つサポートベクターマシンに送られる。 我々はSARS-CoV-2のゲノム配列を他のウイルスから分類する問題について考察する。
  論文  参考訳（メタデータ） (2020-10-12T19:07:02Z)
• Class-Attentive Diffusion Network for Semi-Supervised Classification [27.433021864424266]
  Class-Attentive Diffusion Network (CAD-Net) は、半教師付き分類のためのグラフニューラルネットワークである。 本稿では,Kホップ近傍のノードを適応的に集約する新しいアグリゲーション手法を提案する。 提案手法の有効性を連続的に示す7つのベンチマーク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） (2020-06-18T01:14:08Z)
• Learn Class Hierarchy using Convolutional Neural Networks [0.9569316316728905]
  画像の階層的分類のための新しいアーキテクチャを提案し、クロスエントロピー損失関数と中心損失を組み合わせた深層線形層を導入する。 階層型分類器は,コンピュータビジョンタスクへの応用を見出す従来の分類手法の利点を示す。
  論文  参考訳（メタデータ） (2020-05-18T12:06:43Z)

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。