Fugu-MT 論文翻訳(概要): Unsupervised Learning of Phylogenetic Trees via Split-Weight Embedding

論文の概要: Unsupervised Learning of Phylogenetic Trees via Split-Weight Embedding

arxiv url: http://arxiv.org/abs/2312.16074v2
Date: Fri, 3 May 2024 14:39:30 GMT
ステータス: 処理完了
システム内更新日: 2024-05-06 17:37:33.052006
Title: Unsupervised Learning of Phylogenetic Trees via Split-Weight Embedding
Title（参考訳）: スプリットウェイト埋め込みによる系統樹の教師なし学習
Authors: Yibo Kong, George P. Tiley, Claudia Solis-Lemus,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unsupervised learning has become a staple in classical machine learning, successfully identifying clustering patterns in data across a broad range of domain applications. Surprisingly, despite its accuracy and elegant simplicity, unsupervised learning has not been sufficiently exploited in the realm of phylogenetic tree inference. The main reason for the delay in adoption of unsupervised learning in phylogenetics is the lack of a meaningful, yet simple, way of embedding phylogenetic trees into a vector space. Here, we propose the simple yet powerful split-weight embedding which allows us to fit standard clustering algorithms to the space of phylogenetic trees. We show that our split-weight embedded clustering is able to recover meaningful evolutionary relationships in simulated and real (Adansonia baobabs) data.
Abstract（参考訳）: 教師なし学習は、広範囲のドメインアプリケーションにわたるデータのクラスタリングパターンの識別に成功し、古典的な機械学習の基盤となっている。驚くべきことに、その正確さとエレガントさにもかかわらず、系統樹推定の領域では教師なし学習が十分に活用されていない。系統学における教師なし学習の導入が遅れた主な理由は、系統樹をベクトル空間に埋め込む意味があるが単純な方法がないことである。そこで本研究では,標準的なクラスタリングアルゴリズムを系統樹の空間に適合させる,シンプルながら強力な分割重み付き埋め込みを提案する。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。

関連論文リスト

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)
URLOST: Unsupervised Representation Learning without Stationarity or Topology [26.17135629579595]
定常性やトポロジに欠ける高次元データから学習する新しいフレームワークを提案する。我々のモデルは学習可能な自己組織化層、密度調整されたスペクトルクラスタリング、マスク付きオートエンコーダを組み合わせる。本研究は,生体視覚データ,一次視覚野からの神経記録,遺伝子発現データセットにおいて有効性を評価する。
論文参考訳（メタデータ） (2023-10-06T18:00:02Z)
Leaping through tree space: continuous phylogenetic inference for rooted and unrooted trees [0.49478969093606673]
我々は、勾配の計算が可能な連続空間において、木探索と推論の両方を行う。この連続的な緩和は、根付き木と根なし木の両方において木空間を横断する大きな跳躍を可能にし、局所ミニマへの収束の感受性が低い。提案手法は, 未開根木に対する推定法や, シミュレーションにおいて, 超測定の場合, 木と根を正確に推定する手法よりも優れている。
論文参考訳（メタデータ） (2023-06-09T08:13:06Z)
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)
Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文参考訳（メタデータ） (2022-03-17T04:34:28Z)
Neural Architecture Search of Deep Priors: Towards Continual Learning without Catastrophic Interference [2.922007656878633]
我々は, 線形分類を完全訓練された深層構造と同等に行うことができるような, より深い事前のランダムな重み構造を見つけることができることを示す。連続学習の拡張として, 破滅的干渉のないインクリメンタル学習の可能性を検討する。
論文参考訳（メタデータ） (2021-04-14T11:25:30Z)
Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
論文参考訳（メタデータ） (2021-03-22T14:32:44Z)
Theoretical Analysis of Self-Training with Deep Networks on Unlabeled Data [48.4779912667317]
自己学習アルゴリズムは、ニューラルネットワークを使ってラベルのないデータで学ぶことに成功している。この研究は、半教師なし学習、教師なしドメイン適応、教師なし学習のための深層ネットワークによる自己学習の統一的理論的解析を提供する。
論文参考訳（メタデータ） (2020-10-07T19:43:55Z)
Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。そこで本研究では,NMS再サンプリング法を提案する。提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
論文参考訳（メタデータ） (2020-08-13T03:52:37Z)
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。