論文の概要: Implementing Immune Repertoire Models Using Weighted Finite State
Machines
- arxiv url: http://arxiv.org/abs/2308.03637v1
- Date: Mon, 7 Aug 2023 14:42:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 13:15:06.004997
- Title: Implementing Immune Repertoire Models Using Weighted Finite State
Machines
- Title（参考訳）: 重み付き有限状態機械を用いた免疫レパートリーモデルの実装
- Authors: Gijs Schr\"oder, Inge MN Wortel, Johannes Textor
- Abstract要約: 免疫系とB細胞は、単純で多様な分類器の集団と見なすことができる。
細胞レパートリーの表現や免疫学的プロセスのモデル化に,FSMの重み付けがいかに有効かを示す。
我々のアプローチは他の人口ベース機械学習アルゴリズムにも拡張できる可能性がある。
- 参考スコア（独自算出の注目度）: 0.225596179391365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The adaptive immune system's T and B cells can be viewed as large populations
of simple, diverse classifiers. Artificial immune systems (AIS)
$\unicode{x2013}$ algorithmic models of T or B cell repertoires
$\unicode{x2013}$ are used in both computational biology and natural computing
to investigate how the immune system adapts to its changing environments.
However, researchers have struggled to build such systems at scale. For
string-based AISs, finite state machines (FSMs) can store cell repertoires in
compressed representations that are orders of magnitude smaller than explicitly
stored receptor sets. This strategy allows AISs with billions of receptors to
be generated in a matter of seconds. However, to date, these FSM-based AISs
have been unable to deal with multiplicity in input data. Here, we show how
weighted FSMs can be used to represent cell repertoires and model immunological
processes like negative and positive selection, while also taking into account
the multiplicity of input data. We use our method to build simple
immune-inspired classifier systems that solve various toy problems in anomaly
detection, showing how weights can be crucial for both performance and
robustness to parameters. Our approach can potentially be extended to increase
the scale of other population-based machine learning algorithms such as
learning classifier systems.
- Abstract（参考訳）: 適応免疫系のT細胞とB細胞は、単純で多様な分類器の集団と見なすことができる。
人工免疫システム (AIS) $\unicode{x2013}$ T または B 細胞レパートリーのアルゴリズムモデル $\unicode{x2013}$ は、免疫システムがその変化する環境にどのように適応するかを研究するために、計算生物学と自然コンピューティングの両方で使用される。
しかし、研究者はそのようなシステムを大規模に構築するのに苦労している。
文字列ベースのaissでは、有限状態機械(fsms)は、明示的に格納された受容体セットよりも桁違いに小さい圧縮表現に細胞レパートリーを格納することができる。
この戦略により、数十億の受容体を持つAISを数秒で生成することができる。
しかし、これまでこれらのFSMベースのAISは、入力データの多重性に対処できなかった。
本稿では、重み付きfsmを細胞レパートリーの表現や、負の選択や正の選択などの免疫学的過程のモデル化に利用し、入力データの多重性も考慮して示す。
本手法は, 異常検出における様々な玩具問題を解くための簡易免疫誘導型分類器システムの構築に利用し, パラメータに対する性能と堅牢性の両方に重みが重要であることを示す。
我々のアプローチは、学習分類システムのような他の人口ベースの機械学習アルゴリズムの規模を増やすために拡張できる可能性がある。
関連論文リスト
- Universal Neural Functionals [67.80283995795985]
多くの現代の機械学習タスクでは、ウェイトスペース機能を処理することが難しい問題である。
最近の研究は、単純なフィードフォワードネットワークの置換対称性に同値な有望な重み空間モデルを開発した。
本研究は,任意の重み空間に対する置換同変モデルを自動的に構築するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-07T20:12:27Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - DOCTOR: A Multi-Disease Detection Continual Learning Framework Based on Wearable Medical Sensors [3.088223994180069]
ウェアラブル医療センサ(WMS)に基づく多相検出連続学習フレームワークであるDOCTORを提案する。
マルチヘッドディープニューラルネットワーク(DNN)とリプレイスタイルのCLアルゴリズムを採用している。
平均テスト精度は1.43倍、F1スコアは1.25倍、後方転送は0.41倍である。
論文 参考訳（メタデータ） (2023-05-09T19:33:17Z) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳（メタデータ） (2022-11-07T15:47:40Z) - Combining Machine Learning and Agent-Based Modeling to Study Biomedical
Systems [0.0]
エージェントベースモデリング(エージェントベースモデリング、ABM)は、構成体間の相互作用を通じて複雑なシステムをシミュレートするためのよく確立されたパラダイムである。
機械学習(ML)は、統計アルゴリズムがシステム行動の事前理論を課すことなく、自身のデータから'学習する'アプローチを指す。
論文 参考訳（メタデータ） (2022-06-02T15:19:09Z) - A Performance-Consistent and Computation-Efficient CNN System for
High-Quality Automated Brain Tumor Segmentation [1.2183405753834562]
CNNをベースとした完全自動脳-運動-隔離システムの開発研究は急速に進展している。
実際に適用可能なシステムには、優れた処理品質と信頼性が不可欠です。
提案方式のCNNは2つの特徴を持つユニークな構造を持つ。
論文 参考訳（メタデータ） (2022-05-02T22:10:36Z) - Towards self-organized control: Using neural cellular automata to
robustly control a cart-pole agent [62.997667081978825]
我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。
我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
論文 参考訳（メタデータ） (2021-06-29T10:49:42Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z) - GIM: Gaussian Isolation Machines [40.7916016364212]
多くの場合、ニューラルネットワーク分類器は、トレーニング配布データの外にある入力データに露出する。
OODデータに遭遇した場合に発生する問題の解決を目的とした,新しいハイブリッド分類器を提案する。
提案されたGIMの新規性は、識別性能と生成能力にある。
論文 参考訳（メタデータ） (2020-02-06T09:51:47Z)
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。