論文の概要: Improved Variational Bayesian Phylogenetic Inference using Mixtures

• arxiv url: http://arxiv.org/abs/2310.00941v1
• Date: Mon, 2 Oct 2023 07:18:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 23:14:55.159900
• Title: Improved Variational Bayesian Phylogenetic Inference using Mixtures
• Title（参考訳）: 混合を用いた変分ベイズ系統推定の改良
• Authors: Oskar Kviman, Ricky Mol\'en and Jens Lagergren
• Abstract要約: VBPI-Mixturesは系統後部分布の精度を高めるために設計されたアルゴリズムである。 VBPI-Mixturesは、VBPIがモデル化に失敗するツリートポロジー上の分布をキャプチャできる。
• 参考スコア（独自算出の注目度）: 4.551386476350572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present VBPI-Mixtures, an algorithm designed to enhance the accuracy of phylogenetic posterior distributions, particularly for tree-topology and branch-length approximations. Despite the Variational Bayesian Phylogenetic Inference (VBPI), a leading-edge black-box variational inference (BBVI) framework, achieving remarkable approximations of these distributions, the multimodality of the tree-topology posterior presents a formidable challenge to sampling-based learning techniques such as BBVI. Advanced deep learning methodologies such as normalizing flows and graph neural networks have been explored to refine the branch-length posterior approximation, yet efforts to ameliorate the posterior approximation over tree topologies have been lacking. Our novel VBPI-Mixtures algorithm bridges this gap by harnessing the latest breakthroughs in mixture learning within the BBVI domain. As a result, VBPI-Mixtures is capable of capturing distributions over tree-topologies that VBPI fails to model. We deliver state-of-the-art performance on difficult density estimation tasks across numerous real phylogenetic datasets.
• Abstract（参考訳）: VBPI-Mixturesは系統的後縁分布の精度を高めるアルゴリズムであり,特に樹頂学および枝長近似について述べる。 BBVIフレームワークである変分ベイズ系統推定(VBPI)は,これらの分布の顕著な近似を達成しているが,樹冠地形後部の多様性は,BBVIのようなサンプリングベース学習技術に対する重大な課題である。 流れの正規化やグラフニューラルネットワークなどの先進的な深層学習手法は枝長後部近似を改良するために研究されてきたが、樹冠上の後部近似を改善する努力は欠如している。 我々の新しいVBPI-Mixturesアルゴリズムは、BBVIドメイン内での混合学習における最新のブレークスルーを利用して、このギャップを埋める。 結果として、VBPI-Mixturesは、VBPIがモデル化に失敗するツリートポロジー上の分布をキャプチャできる。 我々は,多数の実系統データにまたがる難解な密度推定タスクについて,最先端のパフォーマンスを提供する。

関連論文リスト

• Improving Tree Probability Estimation with Stochastic Optimization and Variance Reduction [11.417249588622926]
  サブスプリットベイズネットワーク(SBN)は木確率推定のための強力な確率的グラフィカルモデルを提供する。 現在、SBNパラメータの学習に使われている期待値(EM)法は、大きなデータセットまでスケールしない。 本稿では,SBNを学習するための計算効率のよい方法をいくつか紹介し,分散化が性能向上の鍵となることを示す。
  論文  参考訳（メタデータ） (2024-09-09T02:22:52Z)
• Variational Bayesian Phylogenetic Inference with Semi-implicit Branch Length Distributions [6.553961278427792]
  本稿では,グラフニューラルネットワークを用いた半単純階層分布に基づく分岐長変動後続の柔軟な系を提案する。 この構造は単純置換同変分布を出力するので、ユークリッドでない枝長空間を異なる木位相で容易に扱えることを示す。
  論文  参考訳（メタデータ） (2024-08-09T13:29:08Z)
• Fast, accurate and lightweight sequential simulation-based inference using Gaussian locally linear mappings [0.820217860574125]
  シミュレーションベース推論(SBI)の代替として,確率と後部分布の両方を近似する手法を提案する。 提案手法は,マルチモーダル後部であっても,最先端NNベースのSBI法と比較して正確な後部推測を導出する。 本研究は,SBI文献から得られたいくつかのベンチマークモデルと,mRNAトランスフェクション後の翻訳動態の生物学的モデルについて述べる。
  論文  参考訳（メタデータ） (2024-03-12T09:48:17Z)
• 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 Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Quasi Black-Box Variational Inference with Natural Gradients for Bayesian Learning [84.90242084523565]
  複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。 我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
  論文  参考訳（メタデータ） (2022-05-23T18:54:27Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Improved Variational Bayesian Phylogenetic Inference with Normalizing Flows [7.119831726757417]
  本稿では, 深層学習技術を用いた系統的後生推定の促進に向けた第一歩として, 新たなVBPI, VBPI-NFを提案する。 VBPI-NFは正規化フローを使用して、異なる木のトポロジーをまたいで一般化する柔軟な分岐長さ分布のリッチなファミリーを提供する。
  論文  参考訳（メタデータ） (2020-12-01T13:10:00Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。