Fugu-MT 論文翻訳(概要): Fast Dual-Regularized Autoencoder for Sparse Biological Data

論文の概要: Fast Dual-Regularized Autoencoder for Sparse Biological Data

arxiv url: http://arxiv.org/abs/2401.16664v1
Date: Tue, 30 Jan 2024 01:28:48 GMT
ステータス: 処理完了
システム内更新日: 2024-01-31 16:47:07.435918
Title: Fast Dual-Regularized Autoencoder for Sparse Biological Data
Title（参考訳）: スパースバイオデータのための高速デュアル正規化オートエンコーダ
Authors: Aleksandar Poleksic
Abstract要約: 本研究では,近傍正規化行列補完問題に対する浅層オートエンコーダを開発する。本研究は, 薬物と薬物の相互作用と薬物の放出関連性を予測する上で, 既存の最先端技術に対するアプローチの速度と精度の優位性を実証する。
参考スコア（独自算出の注目度）: 65.268245109828
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Relationship inference from sparse data is an important task with applications ranging from product recommendation to drug discovery. A recently proposed linear model for sparse matrix completion has demonstrated surprising advantage in speed and accuracy over more sophisticated recommender systems algorithms. Here we extend the linear model to develop a shallow autoencoder for the dual neighborhood-regularized matrix completion problem. We demonstrate the speed and accuracy advantage of our approach over the existing state-of-the-art in predicting drug-target interactions and drug-disease associations.
Abstract（参考訳）: スパースデータからの相関推論は、製品レコメンデーションから薬物発見まで幅広い応用において重要な課題である。最近提案されたスパース行列完備化の線形モデルでは、より洗練されたレコメンデータシステムアルゴリズムよりも高速で精度が高いことが示されている。本稿では,線形モデルを拡張し,近傍正規化行列補完問題に対する浅層オートエンコーダを開発する。我々は,既存の最先端技術に対するアプローチのスピードと精度の利点を,薬物・標的相互作用の予測と薬剤・病原体関連において示している。

関連論文リスト

Fast Second-Order Online Kernel Learning through Incremental Matrix Sketching and Decomposition [22.39048660630147]
オンライン学習(OKL)は、ストリーミング環境での予測性能が期待できるため、かなりの研究関心を集めている。既存の2次OKLアプローチは、予め設定された予算に関して、少なくとも2次時間の複雑さに悩まされている。本稿では,2次OKLに適した高速増分行列スケッチと分解手法FORTSを提案する。
論文参考訳（メタデータ） (2024-10-15T02:07:48Z)
Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文参考訳（メタデータ） (2023-10-09T14:30:06Z)
Fast Latent Factor Analysis via a Fuzzy PID-Incorporated Stochastic Gradient Descent Algorithm [1.984879854062214]
勾配降下(SGD)に基づく潜在因子分析モデルは,HDI行列から貴重な情報を抽出するのに極めて有効である。標準SGDアルゴリズムは、過去の更新情報を考慮せずに、現在のインスタンスエラーの勾配に依存する潜在因子を学習する。本稿では, ファジィPIDを組み込んだSGDアルゴリズムを2つのアイデアで提案する: 1) 過去の更新情報をPIDの原則に従って効率的な方法で再設計し, 2) ハイパーラーニングを実装し, ファジィ規則に従う適応を得る。
論文参考訳（メタデータ） (2023-03-07T14:51:09Z)
Bayesian Low-rank Matrix Completion with Dual-graph Embedding: Prior Analysis and Tuning-free Inference [16.82986562533071]
本稿では,デュアルグラフ正規化に関連するハイパーパラメータを自動的に学習する新しいベイズ学習アルゴリズムを提案する。行列の低ランク化を促進し、デュアルグラフ情報を同時に符号化する新規な事前設計を行う。合成および実世界のデータセットを用いた実験は、提案した学習アルゴリズムの最先端性能を示す。
論文参考訳（メタデータ） (2022-03-18T16:38:30Z)
Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
論文参考訳（メタデータ） (2021-12-10T06:58:05Z)
Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文参考訳（メタデータ） (2021-11-08T07:57:30Z)
Highly Parallel Autoregressive Entity Linking with Discriminative Correction [51.947280241185]
自己回帰リンクを全ての潜在的な言及に対して並列化する,非常に効率的な手法を提案する。我々のモデルは以前の生成法より70倍高速で精度が高い。
論文参考訳（メタデータ） (2021-09-08T17:28:26Z)
Initialization Matters: Regularizing Manifold-informed Initialization for Neural Recommendation Systems [47.49065927541129]
我々は、Laplacian Eigenmapsと呼ばれる、分離データ(LEPORID)に対する人気に基づく正規化を用いた新しいユーザ埋め込み方式を提案する。 LEPORIDは、データ多様体上のマルチスケール近傍構造に関する情報を埋め込みに付与し、データ分布の尾に高い埋め込み分散を補う適応正規化を行う。我々は、LEPORIDを持つ既存のニューラルネットワークが、KNNと同等かそれ以上に動作することを示す。
論文参考訳（メタデータ） (2021-06-09T11:26:18Z)
ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文参考訳（メタデータ） (2020-12-09T08:16:35Z)

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。