論文の概要: Protein pathways as a catalyst to directed evolution of the topology of artificial neural networks
- arxiv url: http://arxiv.org/abs/2406.04929v1
- Date: Fri, 7 Jun 2024 13:35:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 13:51:43.675812
- Title: Protein pathways as a catalyst to directed evolution of the topology of artificial neural networks
- Title（参考訳）: ニューラルネットワークのトポロジーの進化を指向する触媒としてのタンパク質経路
- Authors: Oscar Lao, Konstantinos Zacharopoulos, Apostolos Fournaris, Rossano Schifanella, Ioannis Arapakis,
- Abstract要約: 我々は,タンパク質ネットワーク(PN)の構造的特性,相互作用,ダイナミクスを基盤とした,新しいバイオインスパイアされた設計に向けて,ANN(Artificial Neural Networks)の進化に向けたパラダイムシフトを提案する。
1) 何百万年もの進化のおかげで、DNA内のタンパク質の相互作用を効率的にコードし、APNをシリコンDNAに変換する方法、(2) 自然が私たちの遺伝子にネットワークを構築する方法から学び、EA進化を通じて新しい、よりスマートなネットワークを設計できるようにする方法、そして
- 参考スコア（独自算出の注目度）: 2.015592185785847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the present article, we propose a paradigm shift on evolving Artificial Neural Networks (ANNs) towards a new bio-inspired design that is grounded on the structural properties, interactions, and dynamics of protein networks (PNs): the Artificial Protein Network (APN). This introduces several advantages previously unrealized by state-of-the-art approaches in NE: (1) We can draw inspiration from how nature, thanks to millions of years of evolution, efficiently encodes protein interactions in the DNA to translate our APN to silicon DNA. This helps bridge the gap between syntax and semantics observed in current NE approaches. (2) We can learn from how nature builds networks in our genes, allowing us to design new and smarter networks through EA evolution. (3) We can perform EA crossover/mutation operations and evolution steps, replicating the operations observed in nature directly on the genotype of networks, thus exploring and exploiting the phenotypic space, such that we avoid getting trapped in sub-optimal solutions. (4) Our novel definition of APN opens new ways to leverage our knowledge about different living things and processes from biology. (5) Using biologically inspired encodings, we can model more complex demographic and ecological relationships (e.g., virus-host or predator-prey interactions), allowing us to optimise for multiple, often conflicting objectives.
- Abstract（参考訳）: 本稿では,タンパク質ネットワーク(PN)の構造的特性,相互作用,ダイナミクスを基盤とした,新しいバイオインスパイアされた設計への進化型ニューラルネットワーク(ANN)のパラダイムシフトを提案する。
1) 何百万年にもわたる進化のおかげで、APNをシリコンDNAに翻訳するために、DNA内のタンパク質の相互作用を効率的にエンコードする自然の仕方からインスピレーションを得ることができます。
これは現在のNEアプローチで見られる構文とセマンティクスのギャップを埋めるのに役立つ。
2) 自然が遺伝子にどのようにネットワークを構築するかから学ぶことができ、EAの進化を通じて新しい、よりスマートなネットワークを設計できる。
(3) EAのクロスオーバー/ミューテーション操作と進化ステップを実行し、自然界で観察される操作をネットワークのジェノタイプに直接複製することで、準最適解に閉じ込められないように表現型空間を探索・活用することができる。
(4)APNの新たな定義は、生物から異なる生物やプロセスに関する知識を活用する新しい方法を開く。
(5) 生物学的にインスピレーションを受けたエンコーディングを用いて、より複雑な人口統計学的・生態学的関係(例えば、ウイルス宿主や捕食者・捕食者間の相互作用)をモデル化し、複数の、しばしば矛盾する目的を最適化することができる。
関連論文リスト
- Enhancing learning in artificial neural networks through cellular heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - HyperNCA: Growing Developmental Networks with Neural Cellular Automata [10.798252487541694]
我々は,ニューラルセルオートマトンに基づく人工ニューラルネットワークを成長させるための新しいハイパーネットワークアプローチを提案する。
自己組織システムと情報理論による発達生物学のアプローチに触発されて,我々のHyperNCA法は,一般的な強化学習タスクを解くことができるニューラルネットワークを成長させることができることを示す。
論文 参考訳（メタデータ） (2022-04-25T14:08:50Z) - Evolution is Driven by Natural Autoencoding: Reframing Species,
Interaction Codes, Cooperation, and Sexual Reproduction [2.154939892709488]
自然の自己エンコーディングは、繰り返しの生物学的相互作用を保ちながら、非反復的な相互作用を消失させることによって機能する。
自然自己エンコーディングと人工自己エンコーディングのアルゴリズムは、類似性と差異を定義している。
適合性の重要性の認識は、人間の生存可能な生物圏の未来に役立てることができる。
論文 参考訳（メタデータ） (2022-03-22T17:03:36Z) - DeepAutoPIN: An automorphism orbits based deep neural network for
characterizing the organizational diversity of protein interactomes across
the tree of life [0.0]
16系統に属する4,738のタンパク質相互作用ネットワーク(PIN)について検討し,その特徴を明らかにする。
生命の3つの領域に属するネットワークの軌道利用プロファイル(OUP)は対照的に異なる。
論文 参考訳（メタデータ） (2022-03-02T10:10:20Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。
異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。
提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文 参考訳（メタデータ） (2021-04-12T12:45:16Z) - Bio-JOIE: Joint Representation Learning of Biological Knowledge Bases [38.9571812880758]
バイオジョイは、sars-cov-2タンパク質とヒトタンパク質のppisを正確に同定できる。
構造化知識のみを活用することにより、Bio-JOIEはPPI型予測において、既存の最先端の手法よりも著しく優れている。
論文 参考訳（メタデータ） (2021-03-07T07:06:53Z) - A multi-agent model for growing spiking neural networks [0.0]
このプロジェクトでは、学習メカニズムとして、スパイキングニューラルネットワークのニューロン間の接続を拡大するためのルールについて検討している。
シミュレーション環境での結果は、与えられたパラメータセットに対して、テストされた関数を再現するトポロジに到達可能であることを示した。
このプロジェクトはまた、モデルパラメーターに最適な値を得るために、遺伝的アルゴリズムのようなテクニックを使用するための扉を開く。
論文 参考訳（メタデータ） (2020-09-21T15:11:29Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳（メタデータ） (2020-06-22T11:41:57Z) - Alpha Discovery Neural Network based on Prior Knowledge [55.65102700986668]
遺伝的プログラミング(GP)は、金融自動化機能構築タスクにおける最先端技術である。
本稿では,分散金融技術指標の自動構築が可能なニューラルネットワーク構造であるAlpha Discovery Neural Network (ADNN)を提案する。
論文 参考訳（メタデータ） (2019-12-26T03:10:17Z)
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。