Fugu-MT 論文翻訳(概要): Directed evolution algorithm drives neural prediction

論文の概要: Directed evolution algorithm drives neural prediction

arxiv url: http://arxiv.org/abs/2512.01362v1
Date: Mon, 01 Dec 2025 07:17:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-02 19:46:34.739823
Title: Directed evolution algorithm drives neural prediction
Title（参考訳）: 直接進化アルゴリズムは神経予測を駆動する
Authors: Yanlin Wang, Nancy M Young, Patrick C M Wong,
Abstract要約: 指向進化モデル(DEM)は、生物学的指向進化の試行錯誤過程を模倣した新しい計算モデルである。 DEMは、ターゲットドメインにおけるラベル不足の課題に対処しながら、クロスドメイン前実装ニューラルネットワーク予測の性能を効率よく向上させることができる。
参考スコア（独自算出の注目度）: 6.481103165281994
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural prediction offers a promising approach to forecasting the individual variability of neurocognitive functions and disorders and providing prognostic indicators for personalized invention. However, it is challenging to translate neural predictive models into medical artificial intelligent applications due to the limitations of domain shift and label scarcity. Here, we propose the directed evolution model (DEM), a novel computational model that mimics the trial-and-error processes of biological directed evolution to approximate optimal solutions for predictive modeling tasks. We demonstrated that the directed evolution algorithm is an effective strategy for uncertainty exploration, enhancing generalization in reinforcement learning. Furthermore, by incorporating replay buffer and continual backpropagate methods into DEM, we provide evidence of achieving better trade-off between exploitation and exploration in continuous learning settings. We conducted experiments on four different datasets for children with cochlear implants whose spoken language developmental outcomes vary considerably on the individual-child level. Preoperative neural MRI data has shown to accurately predict the post-operative outcome of these children within but not across datasets. Our results show that DEM can efficiently improve the performance of cross-domain pre-implantation neural predictions while addressing the challenge of label scarcity in target domain.
Abstract（参考訳）: 神経予測は、神経認知機能や障害の個人的多様性を予測し、パーソナライズされた発明のための予後指標を提供する、有望なアプローチを提供する。しかし、ドメインシフトの限界とラベル不足のため、神経予測モデルを医療人工知能アプリケーションに翻訳することは困難である。本稿では,生物指向進化の試行錯誤プロセスを模倣した新しい計算モデルである指向進化モデル(DEM)を提案する。そこで我々は,有向進化アルゴリズムが不確実性探索の効果的な戦略であり,強化学習における一般化の促進を実証した。さらに,リプレイバッファと連続的バックプロパゲート手法をDEMに組み込むことで,継続的学習環境におけるエクスプロイトと探索のトレードオフが向上することを示す。人工内耳装用児に対する4つの異なるデータセットを用いた実験を行った。術前の神経MRIデータから、これらの小児の術後成績を正確に予測できることが示されている。この結果から,DEMは,対象ドメインのラベル不足に対処しながら,クロスドメイン前実装ニューラルネットワークの予測性能を効率よく向上させることができることがわかった。

関連論文リスト

Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
論文参考訳（メタデータ） (2025-11-06T20:16:33Z)
Augmented data and neural networks for robust epidemic forecasting: application to COVID-19 in Italy [0.2676349883103403]
本稿では,ニューラルネットワークのトレーニングフェーズの改善を目的としたデータ拡張戦略を提案する。提案手法は,不確実性の組み合わさった適切な構成モデルによる合成データの生成に依存している。その結果、これらの拡張データセットに基づいてトレーニングされたニューラルネットワークは、予測性能を著しく改善していることがわかった。
論文参考訳（メタデータ） (2025-10-10T09:35:38Z)
POCO: Scalable Neural Forecasting through Population Conditioning [6.135391899876823]
POCOは、ニューロン特異的および脳全体のダイナミクスをキャプチャする統合予測モデルである。プレトレーニング後、POCOは最小限の微調整で新しい録音に迅速に適応する。包括的分析により、コンテキスト長、セッションの多様性、前処理など、パフォーマンスに影響を及ぼすいくつかの重要な要因が明らかになった。
論文参考訳（メタデータ） (2025-06-17T20:15:04Z)
Swin fMRI Transformer Predicts Early Neurodevelopmental Outcomes from Neonatal fMRI [0.20482269513546453]
この期間の発達結果の正確な予測は、遅延を特定し、タイムリーな介入を可能にするために不可欠である。本研究では,新生児のfMRIを用いた結果の予測を目的としたSwiFT(Swin 4D fMRI Transformer)モデルを提案する。分析の結果,SwiFTは認知,運動,言語結果の予測において,ベースラインモデルよりも有意に優れていた。
論文参考訳（メタデータ） (2024-11-25T12:20:07Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Coevolution of Neural Architectures and Features for Stock Market Forecasting: A Multi-objective Decision Perspective [0.0]
本稿では、意思決定者によるさらなる選択のために、非支配的ニューラルネットワークモデルの集合を同定するための新しいアプローチを提案する。ニューラルネットワークの特徴とトポロジを同時に選択するための新しい共進化手法を提案する。その結果、NASDAQ指数は、近日・近日・近日・近日・近日・近日・遠日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・
論文参考訳（メタデータ） (2023-11-23T15:12:30Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文参考訳（メタデータ） (2021-11-29T15:27:51Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。