Fugu-MT 論文翻訳(概要): Boosting AND/OR-Based Computational Protein Design: Dynamic Heuristics and Generalizable UFO

論文の概要: Boosting AND/OR-Based Computational Protein Design: Dynamic Heuristics and Generalizable UFO

arxiv url: http://arxiv.org/abs/2309.00408v1
Date: Thu, 31 Aug 2023 06:45:01 GMT
ステータス: 処理完了
システム内更新日: 2023-09-04 13:28:53.596470
Title: Boosting AND/OR-Based Computational Protein Design: Dynamic Heuristics and Generalizable UFO
Title（参考訳）: Boosting AND/OR-based Computational Protein Design: Dynamic Heuristics and Generalizable UFO
Authors: Bobak Pezeshki, Radu Marinescu, Alexander Ihler, Rina Dechter
Abstract要約: 新しい再設計アルゴリズムであるAOBB-K*が導入され、小さなタンパク質の再設計問題に対して最先端のBBK*と競合した。この作業では、AOBB-K*のスケールアップに注力し、AOBB-K*-b (boosted)、AOBB-K*-DH (dynamics)、AOBB-K*-UFO ( underflow optimization)の3つの新しいバージョンを導入しました。
参考スコア（独自算出の注目度）: 62.478906530719385
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Scientific computing has experienced a surge empowered by advancements in technologies such as neural networks. However, certain important tasks are less amenable to these technologies, benefiting from innovations to traditional inference schemes. One such task is protein re-design. Recently a new re-design algorithm, AOBB-K*, was introduced and was competitive with state-of-the-art BBK* on small protein re-design problems. However, AOBB-K* did not scale well. In this work we focus on scaling up AOBB-K* and introduce three new versions: AOBB-K*-b (boosted), AOBB-K*-DH (with dynamic heuristics), and AOBB-K*-UFO (with underflow optimization) that significantly enhance scalability.
Abstract（参考訳）: 科学コンピューティングは、ニューラルネットワークのような技術の進歩によって強化された急上昇を経験した。しかしながら、いくつかの重要なタスクはこれらの技術に適さないため、イノベーションから従来の推論スキームへのメリットがある。そのようなタスクの1つはタンパク質の再設計である。近年、新しい再設計アルゴリズムであるAOBB-K*が導入され、小さなタンパク質の再設計問題において最先端のBBK*と競合した。しかし、AOBB-K*はスケールが良くなかった。本研究では, AOBB-K*-b(ブート), AOBB-K*-DH(動的ヒューリスティック), AOBB-K*-UFO(アンダーフロー最適化)の3つの新バージョンを導入する。

関連論文リスト

Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文参考訳（メタデータ） (2024-10-17T00:35:47Z)
Kolmogorov-Arnold Transformer [72.88137795439407]
Kolmogorov-Arnold Transformer(KAT)は,階層をKAN(Kolmogorov-Arnold Network)層に置き換える新しいアーキテクチャである。 C1)基本関数,(C2)非効率,(C3)重みの3つの主要な課題を特定する。これらの設計により、KATは従来のトランスフォーマーよりも優れている。
論文参考訳（メタデータ） (2024-09-16T17:54:51Z)
Neural Exploratory Landscape Analysis [12.6318861144205]
本稿では,2段階の注目型ニューラルネットワークを用いてランドスケープの特徴を動的にプロファイリングする新しいフレームワークを提案する。 NeurELAは、マルチタスクの神経進化戦略を用いて、様々なMetaBBOアルゴリズム上で事前訓練されている。
論文参考訳（メタデータ） (2024-08-20T09:17:11Z)
An Enhanced Grey Wolf Optimizer with Elite Inheritance and Balance Search Mechanisms [13.754649370512924]
グレイウルフ(GWO)は、灰色のオオカミの社会的リーダーシップ階層と狩猟メカニズムに触発された新しいメタヒューリスティックアルゴリズムとして認識されている。オリジナルのGWOでは、その基本的な最適化メカニズムに2つの重大な欠陥がある。エリート継承機構とバランス探索機構を備えた強化されたグレイウルフを提案する。
論文参考訳（メタデータ） (2024-04-09T03:28:00Z)
InRank: Incremental Low-Rank Learning [85.6380047359139]
勾配に基づくトレーニングは、トレーニング中のランクの段階的な増加を通じて、ニューラルネットワークを低ランクのソリューションに向けて暗黙的に正規化する。既存のトレーニングアルゴリズムでは、計算効率を向上させるために、ローランクな特性を活用できない。 InRank(Incremental Low-Rank Learning)は,低ランク行列として累積重み更新を明示的に表現する学習アルゴリズムである。
論文参考訳（メタデータ） (2023-06-20T03:03:04Z)
Enhancing Once-For-All: A Study on Parallel Blocks, Skip Connections and Early Exits [7.0895962209555465]
once-For-All (OFA) は、容易に適応可能なモデルを生成する能力によって特徴づけられるエコフレンドリーなアルゴリズムである。 OFAは、アーリーエグジット、並列ブロック、高密度スキップ接続を含むことで、アーキテクチャの観点から改善されている。 OFAAv2は、Tiny ImageNetデータセットの精度をOFAのオリジナルバージョンと比較して最大12.07%改善している。
論文参考訳（メタデータ） (2023-02-03T17:53:40Z)
Reinforced Genetic Algorithm for Structure-based Drug Design [38.134929249388406]
SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
論文参考訳（メタデータ） (2022-11-28T22:59:46Z)
Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文参考訳（メタデータ） (2022-03-23T06:24:31Z)
Benchmarking the Accuracy and Robustness of Feedback Alignment Algorithms [1.2183405753834562]
バックプロパゲーションは、その単純さ、効率性、高収束率のために、ディープニューラルネットワークをトレーニングするためのデフォルトのアルゴリズムである。近年,より生物学的に妥当な学習法が提案されている。 BioTorchは、生物学的に動機付けられたニューラルネットワークを作成し、トレーニングし、ベンチマークするソフトウェアフレームワークである。
論文参考訳（メタデータ） (2021-08-30T18:02:55Z)
AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
論文参考訳（メタデータ） (2021-07-15T16:46:01Z)

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。