論文の概要: Modular Machine Learning with Applications to Genetic Circuit Composition
- arxiv url: http://arxiv.org/abs/2509.19601v1
- Date: Tue, 23 Sep 2025 21:49:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-25 20:53:19.618616
- Title: Modular Machine Learning with Applications to Genetic Circuit Composition
- Title（参考訳）: モジュール機械学習と遺伝的回路構成への応用
- Authors: Jichi Wang, Eduardo D. Sontag, Domitilla Del Vecchio,
- Abstract要約: モジュールの入出力関数の学習は、異なる構成アーキテクチャから新しいシステムを設計するのにも必要である。
本稿では,モジュールの入力/出力関数を識別するために,システムの構成構造に関する事前知識を取り入れたモジュール学習フレームワークを提案する。
実験データの必要性を低減し、モジュール識別を可能にすることにより、このフレームワークは合成生物回路の設計を容易化することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In several applications, including in synthetic biology, one often has input/output data on a system composed of many modules, and although the modules' input/output functions and signals may be unknown, knowledge of the composition architecture can significantly reduce the amount of training data required to learn the system's input/output mapping. Learning the modules' input/output functions is also necessary for designing new systems from different composition architectures. Here, we propose a modular learning framework, which incorporates prior knowledge of the system's compositional structure to (a) identify the composing modules' input/output functions from the system's input/output data and (b) achieve this by using a reduced amount of data compared to what would be required without knowledge of the compositional structure. To achieve this, we introduce the notion of modular identifiability, which allows recovery of modules' input/output functions from a subset of the system's input/output data, and provide theoretical guarantees on a class of systems motivated by genetic circuits. We demonstrate the theory on computational studies showing that a neural network (NNET) that accounts for the compositional structure can learn the composing modules' input/output functions and predict the system's output on inputs outside of the training set distribution. By contrast, a neural network that is agnostic of the structure is unable to predict on inputs that fall outside of the training set distribution. By reducing the need for experimental data and allowing module identification, this framework offers the potential to ease the design of synthetic biological circuits and of multi-module systems more generally.
- Abstract（参考訳）: 合成生物学を含むいくつかの応用において、多くのモジュールからなるシステム上で入出力データを持ち、モジュールの入出力関数と信号が未知であるとしても、合成アーキテクチャの知識はシステムの入出力マッピングを学ぶのに必要なトレーニングデータを大幅に削減することができる。
モジュールの入出力関数の学習は、異なる構成アーキテクチャから新しいシステムを設計するのにも必要である。
本稿では,システムの構成構造に関する事前知識を取り入れたモジュール型学習フレームワークを提案する。
(a)構成モジュールの入出力関数をシステムの入出力データから識別し、
(b)構成構造を知らずに必要となるものと比較して少ない量のデータを使用することでこれを実現する。
これを実現するために,モジュールの入出力関数をシステムの入出力データのサブセットから復元するモジュール識別可能性の概念を導入し,遺伝的回路によって動機付けられたシステムのクラスに理論的保証を提供する。
構成構造を考慮したニューラルネットワーク(NNET)は,構成モジュールの入力/出力関数を学習し,トレーニングセット分布外の入力に対してシステムの出力を予測することができることを示す計算研究の理論を実証する。
対照的に、構造に依存しないニューラルネットワークは、トレーニングセット分布の外にある入力を予測できない。
実験データの必要性を低減し、モジュール識別を可能にすることにより、このフレームワークは、合成生物学回路や多モジュールシステムの設計をより容易にする可能性を提供する。
関連論文リスト
- AXLearn: Modular Large Model Training on Heterogeneous Infrastructure [64.33868455931301]
AXLearnは大規模ディープラーニングモデルのスケーラブルで高性能なトレーニングを容易にする生産用ディープラーニングシステムである。
他の最先端のディープラーニングシステムと比較して、AXLearnはモジュール性と異種ハードウェアインフラストラクチャのサポートにユニークな重点を置いている。
論文 参考訳（メタデータ） (2025-07-07T18:50:58Z) - Adaptive Orchestration of Modular Generative Information Access Systems [59.102816309859584]
将来のモジュラー生成情報アクセスシステムのアーキテクチャは、単に強力なコンポーネントを組み立てるだけでなく、自己組織化システムを実現するだろう、と我々は主張する。
この観点は、IRコミュニティに適応的で自己最適化的で将来的なアーキテクチャを開発するためのモジュラーシステム設計を再考するよう促す。
論文 参考訳（メタデータ） (2025-04-24T11:35:43Z) - On The Specialization of Neural Modules [16.83151955540625]
本稿では,データセットの有用な構造に特化し,系統的な一般化を実現するネットワークモジュールの能力について検討する。
その結果、モジュールの特殊化の難しさ、モジュールの専門化を成功させるために必要なもの、モジュールアーキテクチャの体系化の必要性が明らかになった。
論文 参考訳（メタデータ） (2024-09-23T12:58:11Z) - Compositional Learning of Dynamical System Models Using Port-Hamiltonian
Neural Networks [32.707730631343416]
データから動的システムの複合モデルを学ぶためのフレームワークを提案する。
ニューラルネットワークサブモデルは、比較的単純なサブシステムによって生成された軌跡データに基づいて訓練される。
提案するフレームワークの新機能を数値例で示す。
論文 参考訳（メタデータ） (2022-12-01T22:22:38Z) - Learning Modular Simulations for Homogeneous Systems [23.355189771765644]
等質多体力学系をモデル化するためのモジュラーシミュレーションフレームワークを提案する。
任意の数の加群を組み合わせることで、様々な結合トポロジーの系をシミュレートすることができる。
我々のモデルは、スクラッチからトレーニングされたモデルと比較して、データ要件やトレーニングの労力が低い新しいシステム構成に移行可能であることを示しています。
論文 参考訳（メタデータ） (2022-10-28T17:48:01Z) - Is a Modular Architecture Enough? [80.32451720642209]
我々は、シンプルで既知のモジュラーデータ分散のレンズを通して、共通のモジュラーアーキテクチャを徹底的に評価する。
モジュール化と疎結合のメリットを強調し、モジュール化システムの最適化において直面する課題に関する洞察を明らかにします。
論文 参考訳（メタデータ） (2022-06-06T16:12:06Z) - Neural-Symbolic Integration: A Compositional Perspective [8.566457170664926]
ニューラルシステムとシンボリックシステムをどのように両立させるかという問題は未解決のままである。
私たちの研究は、この2つのシステムをブラックボックスとして扱い、モジュールとして単一のアーキテクチャに統合することで、このギャップを埋めようとしている。
シンボリックモジュールがニューラルモジュールとクリーンに統合できることを示し、後者の効率的なトレーニングを促進することができる。
論文 参考訳（メタデータ） (2020-10-22T17:55:44Z) - Neural Function Modules with Sparse Arguments: A Dynamic Approach to
Integrating Information across Layers [84.57980167400513]
Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。
トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。
私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
論文 参考訳（メタデータ） (2020-10-15T20:43:17Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。