論文の概要: Breaking the Euclidean Barrier: Hyperboloid-Based Biological Sequence Analysis

• arxiv url: http://arxiv.org/abs/2510.01118v1
• Date: Wed, 01 Oct 2025 17:04:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.683051
• Title: Breaking the Euclidean Barrier: Hyperboloid-Based Biological Sequence Analysis
• Title（参考訳）: ユークリッドバリアの破壊--双曲型生物学的配列解析
• Authors: Sarwan Ali, Haris Mansoor, Murray Patterson,
• Abstract要約: ゲノム配列解析は、様々な科学的・医学的な領域において重要な役割を担っている。 伝統的な機械学習アプローチは、高次元ユークリッド空間で作業する場合、しばしば複雑な関係やシーケンスデータの階層構造を捉えるのに苦労する。 本研究では,生物配列の特徴表現をハイパーボロイド空間に変換する手法を提案する。
• 参考スコア（独自算出の注目度）: 6.760969585649313
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Genomic sequence analysis plays a crucial role in various scientific and medical domains. Traditional machine-learning approaches often struggle to capture the complex relationships and hierarchical structures of sequence data when working in high-dimensional Euclidean spaces. This limitation hinders accurate sequence classification and similarity measurement. To address these challenges, this research proposes a method to transform the feature representation of biological sequences into the hyperboloid space. By applying a transformation, the sequences are mapped onto the hyperboloid, preserving their inherent structural information. Once the sequences are represented in the hyperboloid space, a kernel matrix is computed based on the hyperboloid features. The kernel matrix captures the pairwise similarities between sequences, enabling more effective analysis of biological sequence relationships. This approach leverages the inner product of the hyperboloid feature vectors to measure the similarity between pairs of sequences. The experimental evaluation of the proposed approach demonstrates its efficacy in capturing important sequence correlations and improving classification accuracy.
• Abstract（参考訳）: ゲノム配列解析は、様々な科学的・医学的な領域において重要な役割を担っている。 伝統的な機械学習アプローチは、高次元ユークリッド空間で作業する場合、しばしば複雑な関係やシーケンスデータの階層構造を捉えるのに苦労する。 この制限は正確なシーケンス分類と類似度測定を妨げる。 これらの課題に対処するために,生物配列の特徴表現をハイパーボロイド空間に変換する手法を提案する。 変換を適用することで、配列はハイパーボロイドにマッピングされ、それら固有の構造情報を保持する。 配列がハイパーボロイド空間で表現されると、ハイパーボロイドの特徴に基づいてカーネル行列が計算される。 カーネルマトリックスは、配列間のペアの類似性を捕捉し、生物学的な配列関係をより効果的に分析することを可能にする。 このアプローチは、双曲型特徴ベクトルの内部積を利用して、配列のペア間の類似度を測定する。 提案手法の実験的評価は,重要なシーケンス相関を捕捉し,分類精度を向上させる効果を示す。

関連論文リスト

• Hyperbolic Genome Embeddings [0.6656737591902598]
  我々は,生物系の進化的インフォームド構造を利用した,双曲型CNNの新しい応用法を開発した。 我々の戦略は、配列の重要な性質を識別しながら、明示的な系統マッピングの必要性を回避するものである。 われわれの手法は、7つのGUEベンチマークデータセットの最先端性能を超えている。
  論文  参考訳（メタデータ） (2025-07-29T10:06:17Z)
• Variational Combinatorial Sequential Monte Carlo for Bayesian Phylogenetics in Hyperbolic Space [2.596075116490744]
  我々は2つの逐次探索アルゴリズムの新たな双曲拡張を開発する。 提案手法では,一貫した非バイアス推定器と変分推論手法を導入している。 実験結果から,高次元系統解析における高速化,拡張性,性能が示された。
  論文  参考訳（メタデータ） (2025-01-29T20:02:16Z)
• Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
  本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。 それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
  論文  参考訳（メタデータ） (2024-10-01T21:14:06Z)
• Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
  ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。 本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:31:30Z)
• Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
  エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。 伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。 非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-07-13T15:08:44Z)
• Using Signal Processing in Tandem With Adapted Mixture Models for Classifying Genomic Signals [16.119729980200955]
  本稿では,ガウス混合モデルとタンデムの信号処理を併用して,シーケンスのスペクトル表現を改善する手法を提案する。 提案手法は、確立されたベンチマークデータセットに対して、6.06%の精度で類似した最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-11-03T06:10:55Z)
• Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
  多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。 化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
  論文  参考訳（メタデータ） (2022-11-02T00:51:35Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Tensor Representations for Action Recognition [54.710267354274194]
  シーケンスにおける人間の行動は、空間的特徴とその時間的ダイナミクスの複雑な相互作用によって特徴づけられる。 アクション認識タスクの視覚的特徴間の高次関係を捉えるための新しいテンソル表現を提案する。 我々は,高次テンソルといわゆる固有値パワー正規化(NEP)を用いて,高次事象のスペクトル検出を行う。
  論文  参考訳（メタデータ） (2020-12-28T17:27:18Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。