論文の概要: Constructing Ancestral Recombination Graphs through Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2406.12022v1
• Date: Mon, 17 Jun 2024 18:42:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-20 00:16:57.237291
• Title: Constructing Ancestral Recombination Graphs through Reinforcement Learning
• Title（参考訳）: 強化学習によるアセストラル組換えグラフの構築
• Authors: Mélanie Raymond, Marie-Hélène Descary, Cédric Beaulac, Fabrice Larribe,
• Abstract要約: 我々は、短い祖先組換えグラフを構築するための新しいアプローチを提案する:強化学習(RL)。 我々は、一組の遺伝的配列とその最も最近の共通の祖先の最も短い経路を見つけることと、迷路の入り口と出口の間の最も短い経路を見つけることの類似性を生かしている。 以上の結果から,RLは短いARGを構築するために最適化されたアルゴリズムで構築されたARGと同等に短時間で構築できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the years, many approaches have been proposed to build ancestral recombination graphs (ARGs), graphs used to represent the genetic relationship between individuals. Among these methods, many rely on the assumption that the most likely graph is among the shortest ones. In this paper, we propose a new approach to build short ARGs: Reinforcement Learning (RL). We exploit the similarities between finding the shortest path between a set of genetic sequences and their most recent common ancestor and finding the shortest path between the entrance and exit of a maze, a classic RL problem. In the maze problem, the learner, called the agent, must learn the directions to take in order to escape as quickly as possible, whereas in our problem, the agent must learn the actions to take between coalescence, mutation, and recombination in order to reach the most recent common ancestor as quickly as possible. Our results show that RL can be used to build ARGs as short as those built with a heuristic algorithm optimized to build short ARGs, and sometimes even shorter. Moreover, our method allows to build a distribution of short ARGs for a given sample, and can also generalize learning to new samples not used during the learning process.
• Abstract（参考訳）: 長年にわたり、祖先の組換えグラフ(ARG)を構築するために多くのアプローチが提案されてきた。 これらの方法の中で、最も可能性の高いグラフが最短であるという仮定に頼っているものが多い。 本稿では,短いARG(Reinforcement Learning: RL)を構築するための新しいアプローチを提案する。 我々は,一組の遺伝的配列とそれらの最も最近の共通の祖先の最も短い経路を見つけることと,迷路の入り口と出口の間の最も短い経路を見つけることと,古典的なRL問題との類似性を生かした。 迷路問題では、学習者はエージェントと呼ばれ、できるだけ早く脱出するために取るべき方向を学ばなければならないが、この問題では、エージェントはできるだけ早く最新の共通の祖先に到達するために、合理化、突然変異、組換えの間の行動を学ぶ必要がある。 以上の結果から,RLは短いARGを構築するために最適化されたヒューリスティックアルゴリズムで構築されたARGと同等に短時間で構築できることが示唆された。 さらに,本手法では,与えられたサンプルに対して短いARGの分布を構築することができ,学習プロセス中に使用されていない新しいサンプルに学習を一般化することができる。

関連論文リスト

• Bigraph Matching Weighted with Learnt Incentive Function for Multi-Robot Task Allocation [5.248564173595024]
  本稿では,マルチロボットタスクアロケーションに対する二部グラフマッチング手法の堅牢性やインセンティブを学習するためのグラフ強化学習フレームワークを開発する。 GRL誘導インセンティブを付加したこの新しい複グラフマッチング手法の性能は,元の複グラフマッチング手法と同等であることがわかった。
  論文  参考訳（メタデータ） (2024-03-11T19:55:08Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
  本稿では,分解が容易なマルチエージェントスキル発見法を提案する。 我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。 ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:53:12Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise Learning [65.54757265434465]
  ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。 オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。 本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:10:48Z)
• Capturing the temporal constraints of gradual patterns [0.0]
  段階的パターンマイニング(Gradual pattern mining)は、「Xを多くすればYを多くする」といった段階的規則を通じて属性相関を抽出することを可能にする。 例えば、研究者は段階的なパターンマイニングを適用して、データセットのどの属性が不慣れな相関を示すかを決定することで、より深い探索や分析のためにそれらを分離することができる。 この作業は、私たちの社会のほぼすべての領域でIoTアプリケーションの普及によって動機付けられています。
  論文  参考訳（メタデータ） (2021-06-28T06:45:48Z)
• A step towards neural genome assembly [0.0]
  我々はMPNNモデルを最大集約器で訓練し、グラフ単純化のためのいくつかのアルゴリズムを実行する。 アルゴリズムがうまく学習され、トレーニングで使用されるグラフの最大20倍の大きさのグラフにスケールできることを示す。
  論文  参考訳（メタデータ） (2020-11-10T10:12:19Z)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)
• Pruning artificial neural networks: a way to find well-generalizing, high-entropy sharp minima [8.72305226979945]
  本研究では,2つの異なるプルーニング手法,ワンショット法と漸進法を比較し,解析する。 段階的なプルーニングにより、狭く一般化されたミニマへのアクセスが可能であり、通常はワンショットアプローチでは無視される。 また、与えられたニューロンが特定の学習クラスとどのように関連しているかを理解するための尺度であるPSPエントロピーを提案する。
  論文  参考訳（メタデータ） (2020-04-30T13:29:37Z)

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。