論文の概要: Nature-Guided Cognitive Evolution for Predicting Dissolved Oxygen Concentrations in North Temperate Lakes
- arxiv url: http://arxiv.org/abs/2403.18923v1
- Date: Thu, 15 Feb 2024 20:27:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 02:25:04.077873
- Title: Nature-Guided Cognitive Evolution for Predicting Dissolved Oxygen Concentrations in North Temperate Lakes
- Title（参考訳）: 北温帯湖沼における溶存酸素濃度予測のための自然誘導型認知進化
- Authors: Runlong Yu, Robert Ladwig, Xiang Xu, Peijun Zhu, Paul C. Hanson, Yiqun Xie, Xiaowei Jia,
- Abstract要約: 本研究では,適応学習と自然過程を多段階融合した自然誘導型認知進化戦略を提案する。
我々は,米国中西部の広範囲の湖沼において,日中溶存酸素濃度を予測するNGCE戦略の性能を検証した。
- 参考スコア（独自算出の注目度）: 14.712746743443603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting dissolved oxygen (DO) concentrations in north temperate lakes requires a comprehensive study of phenological patterns across various ecosystems, which highlights the significance of selecting phenological features and feature interactions. Process-based models are limited by partial process knowledge or oversimplified feature representations, while machine learning models face challenges in efficiently selecting relevant feature interactions for different lake types and tasks, especially under the infrequent nature of DO data collection. In this paper, we propose a Nature-Guided Cognitive Evolution (NGCE) strategy, which represents a multi-level fusion of adaptive learning with natural processes. Specifically, we utilize metabolic process-based models to generate simulated DO labels. Using these simulated labels, we implement a multi-population cognitive evolutionary search, where models, mirroring natural organisms, adaptively evolve to select relevant feature interactions within populations for different lake types and tasks. These models are not only capable of undergoing crossover and mutation mechanisms within intra-populations but also, albeit infrequently, engage in inter-population crossover. The second stage involves refining these models by retraining them with real observed labels. We have tested the performance of our NGCE strategy in predicting daily DO concentrations across a wide range of lakes in the Midwest, USA. These lakes, varying in size, depth, and trophic status, represent a broad spectrum of north temperate lakes. Our findings demonstrate that NGCE not only produces accurate predictions with few observed labels but also, through gene maps of models, reveals sophisticated phenological patterns of different lakes.
- Abstract（参考訳）: 北温帯湖沼における溶存酸素(DO)濃度の予測には、様々な生態系にまたがる現象学的パターンの総合的な研究が必要である。
プロセスベースのモデルは、部分的なプロセス知識や過剰に単純化された特徴表現によって制限される一方、機械学習モデルは、特にDOデータ収集の頻度の低い性質の下で、異なるレイクタイプやタスクに対する関連する機能インタラクションを効率的に選択する上で、課題に直面します。
本稿では,自然指導型認知進化(NGCE)戦略を提案する。
具体的には、メタボリックプロセスに基づくモデルを用いて、シミュレーションされたDOラベルを生成する。
これらのシミュレートされたラベルを用いて、モデル、天然生物のミラー化、適応的に進化し、異なるタイプの湖沼やタスクのために、個体群内の関連する特徴的相互作用を選択する、多集団の認知的進化的探索を行う。
これらのモデルは、内部集団内での交叉と突然変異のメカニズムを遂行するだけでなく、しばしば集団間交叉に関与する。
第2段階では、実際に観測されたラベルでこれらのモデルをトレーニングすることで、これらのモデルを精錬する。
我々は,米国中西部の湖沼において,毎日のDO濃度を予測するためのNGCE戦略の有効性を検証した。
これらの湖は大きさ、深さ、栄養状態が異なり、北温帯湖の広い範囲を表している。
以上の結果から,NGCEは観測されたラベルの少ない正確な予測を行うだけでなく,モデルの遺伝子マップを通じて,湖沼の洗練された表現学的パターンを明らかにすることが示唆された。
関連論文リスト
- Evolutionary Dispersal of Ecological Species via Multi-Agent Deep Reinforcement Learning [0.0]
本研究は,多エージェント強化学習(MARL)と深度Q-networks(DQN)を用いて,単一種と捕食者-捕食者の相互作用をシミュレートする。
我々のシミュレーションでは、進化的分散戦略を明らかにし、種分散機構の洞察を与え、伝統的な数学的モデルを検証する。
論文 参考訳（メタデータ） (2024-10-24T10:21:23Z) - Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。
特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。
本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
論文 参考訳（メタデータ） (2024-08-26T20:05:31Z) - Hierarchical Conditioning of Diffusion Models Using Tree-of-Life for Studying Species Evolution [19.899467048643363]
階層型埋め込み(HIER-Embeds)で表される系統的知識を持つ拡散モデルを条件付けるフレームワークであるPhylo-Diffusionを紹介する。
また,Phylo-Diffusionの埋め込み空間を摂動する2つの新しい実験を提案する。
私たちの研究は、生成モデルを用いて画像から直接進化的変化を可視化することで、進化生物学の新しい章も開きます。
論文 参考訳（メタデータ） (2024-07-31T21:06:14Z) - Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。
4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2024-05-29T02:35:23Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - On Evolvability and Behavior Landscapes in Neuroevolutionary Divergent
Search [0.0]
進化性(Evolvability)とは、個々の遺伝子型が相互に多様な表現型を持つ子孫を産み出す能力である。
近年の研究では、発散探索法が選択的圧力を暗黙的に生成することで、進化性を促進することが示されている。
本稿では,神経進化的分岐探索と進化可能性の関係について,新しい視点を提供する。
論文 参考訳（メタデータ） (2023-06-16T13:46:55Z) - Phylogeny-informed fitness estimation [58.720142291102135]
本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。
以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。
この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
論文 参考訳（メタデータ） (2023-06-06T19:05:01Z) - Biophysical Cybernetics of Directed Evolution and Eco-evolutionary
Dynamics [0.0]
我々は、生態学と個々の遺伝子型/フェノタイプの両方の複雑さをマップする双対性を導入する。
我々は、部分的に観察可能なマルコフ決定プロセスという形で「直接進化」の問題に対処する。
これは、非常に一般的なタイプのエコ進化軌道を研究するという、難解なケースを提供する。
論文 参考訳（メタデータ） (2023-05-05T07:45:28Z) - Composite Feature Selection using Deep Ensembles [130.72015919510605]
本研究では,事前定義されたグループ化を伴わない予測的特徴群発見の問題について検討する。
本稿では,特徴選択モデルのアンサンブルを用いて予測グループを探索する,新しいディープラーニングアーキテクチャを提案する。
発見群と基底真理の類似性を測定するための新しい尺度を提案する。
論文 参考訳（メタデータ） (2022-11-01T17:49:40Z) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z)
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。