論文の概要: The tree reconstruction game: phylogenetic reconstruction using reinforcement learning

• arxiv url: http://arxiv.org/abs/2303.06695v1
• Date: Sun, 12 Mar 2023 16:19:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 17:16:30.369731
• Title: The tree reconstruction game: phylogenetic reconstruction using reinforcement learning
• Title（参考訳）: 木復元ゲーム:強化学習を用いた系統再構築
• Authors: Dana Azouri, Oz Granit, Michael Alburquerque, Yishay Mansour, Tal Pupko and Itay Mayrose
• Abstract要約: 本研究では,系統樹の再構築に挑戦する強化学習アルゴリズムを提案する。 本研究では,強化学習を用いて最適な探索戦略を学習できることを実証する。 以上の結果から, 推定された系統の確率スコアは, 広く使われているソフトウェアと類似していることが示唆された。
• 参考スコア（独自算出の注目度）: 30.114112337828875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a reinforcement-learning algorithm to tackle the challenge of reconstructing phylogenetic trees. The search for the tree that best describes the data is algorithmically challenging, thus all current algorithms for phylogeny reconstruction use various heuristics to make it feasible. In this study, we demonstrate that reinforcement learning can be used to learn an optimal search strategy, thus providing a novel paradigm for predicting the maximum-likelihood tree. Our proposed method does not require likelihood calculation with every step, nor is it limited to greedy uphill moves in the likelihood space. We demonstrate the use of the developed deep-Q-learning agent on a set of unseen empirical data, namely, on unseen environments defined by nucleotide alignments of up to 20 sequences. Our results show that the likelihood scores of the inferred phylogenies are similar to those obtained from widely-used software. It thus establishes a proof-of-concept that it is beneficial to optimize a sequence of moves in the search-space, rather than optimizing the progress made in every single move only. This suggests that a reinforcement-learning based method provides a promising direction for phylogenetic reconstruction.
• Abstract（参考訳）: 本研究では,系統樹の再構築に挑戦する強化学習アルゴリズムを提案する。 データを最もよく記述する木を探索することはアルゴリズム的に難しいため、現在の系統再構築のアルゴリズムはすべて様々なヒューリスティックを用いて実現可能である。 本研究では,最適な探索戦略を学習するために強化学習を用いることを実証し,最大木を予測するための新しいパラダイムを提供する。 提案手法では各ステップでの確率計算は必要とせず, 確率空間における上り坂移動に制限されない。 最大20配列のヌクレオチドアライメントによって定義された未知の環境上で, 未確認の実証データに対して, 開発した深部Q-ラーニングエージェントの使用を実証した。 その結果, 推定された系統の確率は, 広く使われているソフトウェアと類似していることがわかった。 したがって、各移動のみの進行を最適化するのではなく、探索空間内の一連の動きを最適化することが有益であるという概念実証が確立される。 これは,強化学習に基づく手法が系統形成に有望な方向性を与えることを示唆している。

関連論文リスト

• BPP-Search: Enhancing Tree of Thought Reasoning for Mathematical Modeling Problem Solving [11.596474985695679]
  我々は、完全な数学的モデリングプロセスをキャプチャする包括的ラベルを付したStructuredORデータセットをリリースする。 本稿では,強化学習をツリー・オブ・シント構造に統合するアルゴリズムであるBPP-Searchを提案する。 BPP-Searchは、Chain-of-Thought、Self-Consistency、Tree-of-Thoughtなど、最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2024-11-26T13:05:53Z)
• Tree Search-Based Evolutionary Bandits for Protein Sequence Optimization [44.356888079704156]
  タンパク質工学は、任意のタンパク質の広大な配列空間のため、大変な作業である。 タンパク質工学は通常、野生型または鉛配列に突然変異を加える反復的なプロセスによって行われる。 本稿では,木探索に基づくバンド学習手法を提案する。この手法は,初期シーケンスから始まる木を,バンド学習モデルのガイダンスで拡張する。
  論文  参考訳（メタデータ） (2024-01-08T06:33:27Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• A Novel Memetic Strategy for Optimized Learning of Classification Trees [0.0]
  本稿では,数千点のデータセットを処理可能なメメカティックな手法を用いて,分類木を誘導するための新しい進化的アルゴリズムを提案する。 提案手法は,実現可能な解空間の探索と局所探索を組み合わせることで,最先端手法と競合する一般化能力を持つ構造を得る。
  論文  参考訳（メタデータ） (2023-05-13T16:29:10Z)
• Constructing Phylogenetic Networks via Cherry Picking and Machine Learning [0.1045050906735615]
  既存の手法は計算コストが高く、少数の系統樹のみを扱うか、厳格に制限されたネットワーククラスに制限される。 本稿では,最近導入されたチェリーピッキングの理論的枠組みを適用し,各入力木を含むネットワークを生成することが保証される効率のクラスを設計する。 また、複数回実行した場合に非常に効果的であることが証明された、単純で高速なランダム化も提案する。
  論文  参考訳（メタデータ） (2023-03-31T15:04:42Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
  HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。 我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。 我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
  論文  参考訳（メタデータ） (2021-10-18T17:56:02Z)
• On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
  本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。 本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
  論文  参考訳（メタデータ） (2021-05-26T20:55:29Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。