論文の概要: Improving MSA Estimation through Adaptive Weight Vectors in MOEA/D
- arxiv url: http://arxiv.org/abs/2508.12133v1
- Date: Sat, 16 Aug 2025 18:51:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.5809
- Title: Improving MSA Estimation through Adaptive Weight Vectors in MOEA/D
- Title（参考訳）: MOEA/Dにおける適応重みベクトルによるMSA推定の改善
- Authors: Saem Hasan, Muhammad Ali Nayeem, M. Sohel Rahman,
- Abstract要約: そこで我々はMOEA/D-ADF(MOEA/D-ADF)を提案する。これはMOEA/Dの新しい変種で、フィットネスの変動に基づいてサブプロブレム重みベクトルを適応的に調整し、探索・探索のトレードオフを改善する。
我々はMOEA/D-ADFをPMAO(PASTAと多くのアプリケーション認識最適化基準)と組み合わせてPMAO++を作り、MOEA/D-ADFをシードする。
PMAO++は、ベンチマークケースの大部分でオリジナルのPMAOよりも優れており、17 BAliBASE由来のデータセットのうち12で、より優れた偽陰性(FN)レートを実現している。
- 参考スコア（独自算出の注目度）: 1.5344145904148232
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate phylogenetic inference from biological sequences depends critically on the quality of multiple sequence alignments, yet optimal alignment for many sequences is computationally intractable and sensitive to scoring choices. In this work we introduce MOEA/D-ADF, a novel variant of MOEA/D that adaptively adjusts subproblem weight vectors based on fitness variance to improve the exploration-exploitation trade-off. We combine MOEA/D-ADF with PMAO (PASTA with many application-aware optimization criteria) to form PMAO++, where PMAO-generated solutions are used to seed MOEA/D-ADF, which then evolves a population using 30 weight vectors to produce a diverse ensemble of alignment-tree pairs. PMAO++ outperforms the original PMAO on a majority of benchmark cases, achieving better false-negative (FN) rates on 12 of 17 BAliBASE-derived datasets and producing superior best-case trees, including several instances with zero FN rate. Beyond improving single best alignments, the rich set of alignment-tree pairs produced by PMAO++ is especially valuable for downstream summary methods (for example, consensus and summary-tree approaches), allowing more robust phylogenetic inference by integrating signal across multiple plausible alignments and trees. Certain dataset features, such as large terminal N/C extensions found in the RV40 group, remain challenging, but overall PMAO++ demonstrates clear advantages for sequence-based phylogenetic analysis. Future work will explore parameter tuning, larger benchmark suites, and tighter integration with summary-tree pipelines to further enhance applicability for biological sequence studies.
- Abstract（参考訳）: 生物配列からの正確な系統推定は、複数の配列アライメントの品質に大きく依存するが、多くの配列に対する最適なアライメントは、計算学的に抽出可能であり、スコアリングの選択に敏感である。
本研究はMOEA/D-ADFの新たな変種であるMOEA/D-ADFを紹介する。
我々はMOEA/D-ADFとPMAO(PASTAと多くのアプリケーション認識最適化基準)を組み合わせてPMAO++を形成し、PMAO生成したソリューションを使用してMOEA/D-ADFをシードし、30重ベクトルを用いて集団を進化させ、多種多様なアライメントツリーペアを生成する。
PMAO++は、ほとんどのベンチマークケースでオリジナルのPMAOよりも優れており、17のBAliBASE由来データセットのうち12の偽陰性(FN)レートが向上し、FNレートがゼロのいくつかのインスタンスを含む優れたベストケースツリーが生成される。
単一アライメントの改善以外にも、PMAO++が生成するアライメントツリーペアの豊富なセットは、下流のサマリメソッド(コンセンサスやサマリツリーアプローチなど)に特に有用であり、複数のアライメントやツリーに信号を統合することで、より堅牢な系統的推論を可能にする。
RV40グループで見られる大規模な端末N/C拡張などのデータセット機能は依然として難しいが、全体的なPMAO++は、シーケンスベースの系統解析に明確な利点を示している。
今後は、パラメータチューニング、より大きなベンチマークスイート、サマリツリーパイプラインとの緊密な統合について検討し、生物学的シークエンス研究の適用性をさらに強化する予定である。
関連論文リスト
- A Matrix Variational Auto-Encoder for Variant Effect Prediction in Pharmacogenes [9.316811342279955]
本稿では,前もって構造化された行列変分自動エンコーダ(matVAE)を提案する。
我々はDMS(Deep mutational scanning, DMS)データセットを26の薬物標的およびADMEタンパク質に対応させて評価した。
我々のモデルはMSA(matVAE-MSA)で訓練され、DMSデータセットのゼロショット予測において最先端のDeepSequenceモデルより優れている。
論文 参考訳（メタデータ） (2025-07-03T13:50:18Z) - Multi-Objective-Guided Discrete Flow Matching for Controllable Biological Sequence Design [5.64033072458324]
我々は,事前学習した離散フローマッチングジェネレータを操る汎用フレームワークであるMulti-Objective-Guided Discrete Flow Matching (MOG-DFM)を提案する。
各サンプリングステップにおいて、MOG-DFMは、候補遷移のためのハイブリッドランク方向スコアを算出する。
また, 各種ペプチド生成のためのPepDFM, 機能増強剤DNA生成のためのEnhancerDFMの2つの非条件離散フローマッチングモデルを訓練した。
論文 参考訳（メタデータ） (2025-05-11T18:17:44Z) - Preference Optimization with Multi-Sample Comparisons [53.02717574375549]
本稿では,マルチサンプル比較を含むポストトレーニングの拡張手法を提案する。
これらのアプローチは、生成的多様性やバイアスといった重要な特徴を捉えられない。
マルチサンプル比較はシングルサンプル比較よりも集団特性の最適化に有効であることを示す。
論文 参考訳（メタデータ） (2024-10-16T00:59:19Z) - Ordinal Preference Optimization: Aligning Human Preferences via NDCG [28.745322441961438]
我々は、NDCGを異なる代理損失で近似することで、エンドツーエンドの選好最適化アルゴリズムを開発する。
OPOは、AlpacaEvalのような評価セットや一般的なベンチマークにおいて、既存のペアワイズおよびリストワイズアプローチよりも優れています。
論文 参考訳（メタデータ） (2024-10-06T03:49:28Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Greedy based Value Representation for Optimal Coordination in
Multi-agent Reinforcement Learning [64.05646120624287]
LVDとMVDの結合Q値関数を導出する。
最適な整合性を確保するために、最適なノードは独自のSTNである必要がある。
本手法は,様々なベンチマーク実験において,最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-22T08:14:50Z) - Designing Biological Sequences via Meta-Reinforcement Learning and
Bayesian Optimization [68.28697120944116]
メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。
我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。
このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
論文 参考訳（メタデータ） (2022-09-13T18:37:27Z) - Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement
Minimization for Large-scale Multi-objective optimization [3.274290296343038]
大規模多目的問題(LSMOP)に対する協調的共進化に基づく可変グルーピング法を提案する。
サブプロブレム最適化段階では,推定収束点に基づくガウスサンプリング演算子を用いたハイブリッドNSGA-IIを提案する。
論文 参考訳（メタデータ） (2022-08-29T08:18:15Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z) - Many-Objective Estimation of Distribution Optimization Algorithm Based
on WGAN-GP [1.2461503242570644]
EDAは多目的最適問題(MOP)をよりよく解決できる
We generate the new population by Wasserstein Generative Adversarial Networks-Gradient Penalty (WGAN-GP)
論文 参考訳（メタデータ） (2020-03-16T03:14:59Z)
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。