論文の概要: Joint trajectory and network inference via reference fitting

• arxiv url: http://arxiv.org/abs/2409.06879v1
• Date: Tue, 10 Sep 2024 21:49:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 16:16:15.062104
• Title: Joint trajectory and network inference via reference fitting
• Title（参考訳）: 基準フィッティングによる関節軌跡とネットワーク推定
• Authors: Stephen Y Zhang,
• Abstract要約: 本稿では,動的かつ摂動的な単一細胞データを利用して,細胞軌道と電力ネットワークの推論を共同で学習する手法を提案する。 我々のアプローチは、動的に最小エントロピーを推定することで動機付けられ、タイムスタンプ付き単一セルスナップショットから有向および符号付きネットワークを推定できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network inference, the task of reconstructing interactions in a complex system from experimental observables, is a central yet extremely challenging problem in systems biology. While much progress has been made in the last two decades, network inference remains an open problem. For systems observed at steady state, limited insights are available since temporal information is unavailable and thus causal information is lost. Two common avenues for gaining causal insights into system behaviour are to leverage temporal dynamics in the form of trajectories, and to apply interventions such as knock-out perturbations. We propose an approach for leveraging both dynamical and perturbational single cell data to jointly learn cellular trajectories and power network inference. Our approach is motivated by min-entropy estimation for stochastic dynamics and can infer directed and signed networks from time-stamped single cell snapshots.
• Abstract（参考訳）: ネットワーク推論(Network Inference)は、実験的な可観測物から複雑なシステムの相互作用を再構築するタスクであり、システム生物学における中心的かつ極めて困難な問題である。 過去20年間に多くの進展があったが、ネットワーク推論は依然として未解決の問題である。 定常状態で観測されるシステムでは、時間的情報が利用できないため、因果情報が失われるため、限られた洞察が得られる。 システム行動に因果的な洞察を得るための2つの一般的な方法は、軌跡の形で時間的ダイナミクスを活用することと、ノックアウト摂動のような介入を適用することである。 本稿では,動的かつ摂動的な単一細胞データを利用して,細胞軌道と電力ネットワークの推論を共同で学習する手法を提案する。 我々のアプローチは確率力学の最小エントロピー推定によって動機付けられ、タイムスタンプ付き単一セルスナップショットから有向および符号付きネットワークを推定できる。

関連論文リスト

• Inferring the time-varying coupling of dynamical systems with temporal convolutional autoencoders [0.0]
  因果推論のためのテンポラルオートエンコーダ(TACI)を紹介する。 TACIは、2つの頭を持つ新しい機械学習アーキテクチャと因果関係を評価するために、新しい代理データメトリクスを組み合わせる。 TACIが様々なシステム間で動的因果相互作用を正確に定量化できることを実証する。
  論文  参考訳（メタデータ） (2024-06-05T12:51:20Z)
• LINOCS: Lookahead Inference of Networked Operators for Continuous Stability [4.508868068781057]
  連続安定のためのネットワーク演算子のルックアヘッド駆動推論(LINOCS)を導入する。 LINOCSはノイズの多い時系列データに隠れた動的相互作用を識別するための頑健な学習手法である。 我々は、LINOCSの合成時系列データに基づく基底真理力学演算子を復元する能力を実証する。
  論文  参考訳（メタデータ） (2024-04-28T18:16:58Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
  ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。 臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
  論文  参考訳（メタデータ） (2022-10-06T23:50:38Z)
• Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
  本研究では,データ駆動型深層学習手法の可能性について検討した。 本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。 既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
  論文  参考訳（メタデータ） (2022-09-11T14:10:37Z)
• Input correlations impede suppression of chaos and learning in balanced rate networks [58.720142291102135]
  ニューラルネットワークにおける情報符号化と学習は、時間変化による刺激が自発的なネットワーク活動を制御することができるかに依存する。 平衡状態の焼成速度ネットワークでは、リカレントダイナミクスの外部制御は入力の相関に強く依存することを示す。
  論文  参考訳（メタデータ） (2022-01-24T19:20:49Z)
• Divide and Rule: Recurrent Partitioned Network for Dynamic Processes [25.855428321990328]
  多くの動的なプロセスは、物理的システムから社会学的分析まで、相互作用する変数に関与している。 我々のゴールは、部分全体階層を持つシステムを表現し、システム内変数間の暗黙の依存関係を発見することである。 提案アーキテクチャは, (i) 複数のレベルにおける観測の階層的かつ時間的に一貫した表現を抽出する知覚モジュール, (ii) 各レベルにおけるニューロン間の関係性を決定する導出モジュール, (iii)時間分布推定を条件に未来を予測する統計的モジュールからなる。
  論文  参考訳（メタデータ） (2021-06-01T06:45:56Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• Estimating Linear Dynamical Networks of Cyclostationary Processes [0.0]
  本稿では,サイクロ定常プロセスに励起されたネットワークにおけるトポロジ学習のための新しいアルゴリズムを提案する。 以前の作業とは異なり、このフレームワークは複雑な依存性を持つ線形動的システムに適用される。 本論文の第2部では,ネットワークのサブセットが観測されていない場合の双方向ラジアルネットワークにおける一貫したトポロジ学習条件を解析する。
  論文  参考訳（メタデータ） (2020-09-26T18:54:50Z)
• Detecting structural perturbations from time series with deep learning [0.0]
  本稿では,関数型時系列から構造摂動を推定するためのグラフニューラルネットワークを提案する。 データ駆動型アプローチは典型的な再構成手法より優れていることを示す。 この研究は、現実世界の複雑なシステムのレジリエンスを研究するための実践的な方法を明らかにする。
  論文  参考訳（メタデータ） (2020-06-09T13:08:40Z)

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。