論文の概要: Simulation-based Methods for Optimal Sampling Design in Systems Biology
- arxiv url: http://arxiv.org/abs/2511.07197v1
- Date: Mon, 10 Nov 2025 15:26:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.322665
- Title: Simulation-based Methods for Optimal Sampling Design in Systems Biology
- Title（参考訳）: システム生物学における最適サンプリング設計のためのシミュレーションに基づく手法
- Authors: Tuan Minh Ha, Binh Thanh Nguyen, Lam Si Tung Ho,
- Abstract要約: 本研究では,最適サンプリング設計のための2つのシミュレーション手法を提案する。
E-Optimal- rank (EOR) はE-Optimal criterionを使用し、E-Optimal criterionはLong Short-Term Memory (LSTM) ニューラルネットワークを使用する。
Lotka-Volterra と 3-compartment モデルに基づくシミュレーション研究は、提案手法がランダム選択と古典的E-最適設計の両方より優れていることを示した。
- 参考スコア（独自算出の注目度）: 0.38233569758620045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many areas of systems biology, including virology, pharmacokinetics, and population biology, dynamical systems are commonly used to describe biological processes. These systems can be characterized by estimating their parameters from sampled data. The key problem is how to optimally select sampling points to achieve accurate parameter estimation. Classical approaches often rely on Fisher information matrix-based criteria such as A-, D-, and E-optimality, which require an initial parameter estimate and may yield suboptimal results when the estimate is inaccurate. This study proposes two simulation-based methods for optimal sampling design that do not depend on initial parameter estimates. The first method, E-optimal-ranking (EOR), employs the E-optimal criterion, while the second utilizes a Long Short-Term Memory (LSTM) neural network. Simulation studies based on the Lotka-Volterra and three-compartment models demonstrate that the proposed methods outperform both random selection and classical E-optimal design.
- Abstract（参考訳）: ウイルス学、薬物動態学、集団生物学を含むシステム生物学の多くの分野において、力学系は生物学的過程を記述するために一般的に用いられる。
これらのシステムは、サンプルデータからパラメータを推定することで特徴付けられる。
鍵となる問題は、正確なパラメータ推定を達成するためにサンプリングポイントを最適に選択する方法である。
古典的なアプローチは、しばしばA-、D-、E-最適化といったフィッシャー情報行列に基づく基準に依存しており、これは初期パラメータ推定が必要であり、見積もりが不正確であるときに準最適結果が得られる。
本研究では,初期パラメータ推定に依存しない最適サンプリング設計のための2つのシミュレーションに基づく手法を提案する。
E-Optimal- rank (EOR) はE-Optimal criterionを使用し、E-Optimal criterionはLong Short-Term Memory (LSTM) ニューラルネットワークを使用する。
Lotka-Volterra と 3-compartment モデルに基づくシミュレーション研究は、提案手法がランダム選択と古典的E-最適設計の両方より優れていることを示した。
関連論文リスト
- A Statistical Framework for Model Selection in LSTM Networks [0.0]
LSTMネットワークにおける系統的モデル選択のための統一的な統計フレームワークを提案する。
我々のフレームワークは、情報基準や縮小推定といった古典的なモデル選択のアイデアを、シーケンシャルニューラルネットワークに拡張する。
いくつかのバイオメディカルデータ中心の例は、提案フレームワークの柔軟性と性能の向上を示している。
論文 参考訳（メタデータ） (2025-06-07T15:44:27Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳（メタデータ） (2024-02-05T02:54:50Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - Deep Learning for Fast Inference of Mechanistic Models' Parameters [0.28675177318965045]
本稿では,観測対象の力学モデルのパラメータを直接予測するために,ディープニューラルネットワーク(NN)を提案する。
本稿では,ニューラルネットワークとメカニスティックモデルを組み合わせたトレーニング手法を検討する。
ニューラルネットワークの推定値は、さらなる適合によってわずかに改善されているのに対して、これらの推定は、適合手順単独よりも測定精度が良いことがわかった。
論文 参考訳（メタデータ） (2023-12-05T22:16:54Z) - Cost-Sensitive Best Subset Selection for Logistic Regression: A
Mixed-Integer Conic Optimization Perspective [3.1468618177952785]
機械学習の主な課題は、透過的な予測を行うための最適なサブセットへの入力を削減できる解釈可能なモデルを設計することである。
混合整数コニック最適化の観点から,ロジスティック回帰のための最適特徴選択法を提案する。
これにより、異なる最適基数と予算制約のある特徴選択手順を体系的に評価できる。
論文 参考訳（メタデータ） (2023-10-09T07:13:40Z) - Simulation-based Inference for Model Parameterization on Analog
Neuromorphic Hardware [1.843681725117436]
本研究では、BrainScaleS-2システム上でエミュレートされた多成分ニューロンモデルのパラメータ化のための逐次的神経後部推定アルゴリズムの適合性について検討した。
SNPEアルゴリズムはシミュレーションに基づく推論手法のクラスに属し、モデルパラメータの後方分布を推定する。
論文 参考訳（メタデータ） (2023-03-28T15:37:30Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - SimPO: Simultaneous Prediction and Optimization [3.181417685380586]
本稿では,同時予測最適化(SimPO)フレームワークの定式化を提案する。
このフレームワークでは,決定駆動型予測MLモデルと最適化対象関数の重み付き損失を併用する。
論文 参考訳（メタデータ） (2022-03-31T20:01:36Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z)
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。