論文の概要: Constructing Phylogenetic Networks via Cherry Picking and Machine Learning

• arxiv url: http://arxiv.org/abs/2304.02729v1
• Date: Fri, 31 Mar 2023 15:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-09 05:25:30.737664
• Title: Constructing Phylogenetic Networks via Cherry Picking and Machine Learning
• Title（参考訳）: チェリーピッキングと機械学習による系統ネットワークの構築
• Authors: Giulia Bernardini and Leo van Iersel and Esther Julien and Leen Stougie
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.1045050906735615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combining a set of phylogenetic trees into a single phylogenetic network that explains all of them is a fundamental challenge in evolutionary studies. Existing methods are computationally expensive and can either handle only small numbers of phylogenetic trees or are limited to severely restricted classes of networks. In this paper, we apply the recently-introduced theoretical framework of cherry picking to design a class of efficient heuristics that are guaranteed to produce a network containing each of the input trees, for datasets consisting of binary trees. Some of the heuristics in this framework are based on the design and training of a machine learning model that captures essential information on the structure of the input trees and guides the algorithms towards better solutions. We also propose simple and fast randomised heuristics that prove to be very effective when run multiple times. Unlike the existing exact methods, our heuristics are applicable to datasets of practical size, and the experimental study we conducted on both simulated and real data shows that these solutions are qualitatively good, always within some small constant factor from the optimum. Moreover, our machine-learned heuristics are one of the first applications of machine learning to phylogenetics and show its promise.
• Abstract（参考訳）: 一組の系統樹を単一の系統網に組み合わせ、それら全てを説明することは、進化研究における根本的な課題である。 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限定される。 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,二分木からなるデータセットに対して生成することを保証した効率的なヒューリスティックのクラスを設計する。 このフレームワークのヒューリスティックないくつかは、入力ツリーの構造に関する重要な情報をキャプチャし、アルゴリズムをより良いソリューションへと導く機械学習モデルの設計とトレーニングに基づいている。 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,単純かつ高速なランダム化ヒューリスティックを提案する。 既存の厳密な手法とは異なり、我々のヒューリスティックスは実用規模のデータセットに適用でき、シミュレーションデータと実データの両方で行った実験により、これらの解は定性的に良好であり、常に最適値から小さな定数係数内にあることが示されている。 さらに,機械学習が系統解析に応用された最初の例であり,その可能性を示す。

関連論文リスト

• Unsupervised Learning of Phylogenetic Trees via Split-Weight Embedding [0.0]
  シミュレーションデータと実データ(Adansonia baobabs)の有意義な進化的関係を再現できることを示す。
  論文  参考訳（メタデータ） (2023-12-26T14:50:39Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• The tree reconstruction game: phylogenetic reconstruction using reinforcement learning [30.114112337828875]
  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。
  論文  参考訳（メタデータ） (2023-03-12T16:19:06Z)
• Learnable Topological Features for Phylogenetic Inference via Graph Neural Networks [7.310488568715925]
  学習可能なトポロジカル特徴に基づく系統的推論のための新しい構造表現法を提案する。 ディリクレエネルギーを最小化する生のノード特徴を現代のグラフ表現学習技術と組み合わせることで、学習可能なトポロジカル特徴は系統樹の効率的な構造情報を提供することができる。
  論文  参考訳（メタデータ） (2023-02-17T12:26:03Z)
• Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
  予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。 本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。 提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2022-12-09T03:58:22Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• 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)
• 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)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。