論文の概要: Multi-Scale Reversible Chaos Game Representation: A Unified Framework for Sequence Classification

• arxiv url: http://arxiv.org/abs/2604.18477v1
• Date: Mon, 20 Apr 2026 16:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.994855
• Title: Multi-Scale Reversible Chaos Game Representation: A Unified Framework for Sequence Classification
• Title（参考訳）: マルチスケール可逆カオスゲーム表現:シーケンス分類のための統一フレームワーク
• Authors: Sarwan Ali, Taslim Murad,
• Abstract要約: マルチスケールカオスゲーム表現(Multi-Scale Chaos Game Representation:MS-RCGR)を新たに導入する。 MS-RCGRは、生物学的配列を可逆性を保証する多次元幾何学的表現に変換する。 以上の結果から,MS-RCGRは生物学的配列解析の柔軟性,解釈性,高性能な基盤を提供することが明らかとなった。
• 参考スコア（独自算出の注目度）: 4.970277730082774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological classification with interpretability remains a challenging task. For this, we introduce a novel encoding framework, Multi-Scale Reversible Chaos Game Representation (MS-RCGR), that transforms biological sequences into multi-resolution geometric representations with guaranteed reversibility. Unlike traditional sequence encoding methods, MS-RCGR employs rational arithmetic and hierarchical k-mer decomposition to generate scale-invariant features that preserve complete sequence information while enabling diverse analytical approaches. Our framework bridges three distinct paradigms for sequence analysis: (1) traditional machine learning using extracted geometric features, (2) computer vision models operating on CGR-generated images, and (3) hybrid approaches combining protein language model embeddings with CGR features. Through comprehensive experiments on synthetic DNA and protein datasets encompassing seven distinct sequence classes, we demonstrate that MS-RCGR features consistently enhance classification performance across all paradigms. Notably, our hybrid approach combining pre-trained language model embeddings (ESM2, ProtT5) with MS-RCGR features achieves superior performance compared to either method alone. The reversibility property of our encoding ensures no information loss during transformation, while multi-scale analysis captures patterns ranging from individual nucleotides to complex motif structures. Our results indicate that MS-RCGR provides a flexible, interpretable, and high-performing foundation for biological sequence analysis.
• Abstract（参考訳）: 解釈可能性を持つ生物学的分類は依然として困難な課題である。 そこで我々は,生物配列を可逆性を持つ多次元幾何学的表現に変換する,新しい符号化フレームワークであるMulti-Scale Reversible Chaos Game Representation (MS-RCGR)を導入する。 従来のシーケンス符号化法とは異なり、MS-RCGRは論理的算術と階層的k-mer分解を用いて完全なシーケンス情報を保存し、多様な解析的アプローチを可能にしながらスケール不変の特徴を生成する。 本フレームワークは,(1)抽出した幾何学的特徴を用いた従来の機械学習,(2)CGR生成画像で動作するコンピュータビジョンモデル,(3)CGR特徴とタンパク質言語モデル埋め込みを組み合わせたハイブリッドアプローチの3つのパラダイムを橋渡しする。 7つの異なる配列クラスを含む合成DNAとタンパク質のデータセットに関する総合的な実験を通じて、MS-RCGRの特徴が全てのパラダイムの分類性能を一貫して向上することを示した。 特に,事前学習した言語モデル埋め込み(ESM2, ProtT5)とMS-RCGR機能を組み合わせたハイブリッドアプローチは,どちらの手法よりも優れた性能を実現する。 エンコーディングの可逆性は変換時の情報損失を確実にするが、マルチスケール解析は個々のヌクレオチドから複雑なモチーフ構造に至るまでのパターンをキャプチャする。 以上の結果から,MS-RCGRは生物学的配列解析の柔軟性,解釈性,高性能な基盤を提供することが明らかとなった。

関連論文リスト

• Sequence-to-Image Transformation for Sequence Classification Using Rips Complex Construction and Chaos Game Representation [4.517933493143604]
  本稿では,Chaos Game Representation と Rips complex construction を組み合わせることで,分子配列を画像に変換する手法を提案する。 提案手法は,CGRによる2次元座標に配列要素をマッピングし,相互距離を計算し,Rip錯体を構築し,局所構造的および大域的トポロジ的特徴を捉える。
  論文  参考訳（メタデータ） (2025-12-10T22:46:15Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Explicit Path CGR: Maintaining Sequence Fidelity in Geometric Representations [5.237172334460829]
  本稿では,Reverse-CGR(R-CGR)とも呼ばれる新しい情報保存型カオスゲーム表現法を提案する。 本手法は,論理的算術精度制御を併用した明示的経路符号化による完全系列復元を実現する。 本稿では,生物配列分類におけるR-CGRの有効性を示す。
  論文  参考訳（メタデータ） (2025-09-22T20:46:51Z)
• Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification [9.17282078449475]
  Multi-population Ensemble Genetic Programming (MEGP) は、協調的共進化と多視点学習パラダイムを統合する計算知能フレームワークである。 MEGPは入力空間を条件に依存しない特徴部分集合に分解し、複数のサブポピュレーションを並列に進化させることができる。 収束挙動や一般化性能の点で、ベースラインGPモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-09-16T01:32:04Z)
• A Benchmark Dataset for Graph Regression with Homogeneous and Multi-Relational Variants [3.037387520023979]
  プログラムグラフから構築した新しいグラフ回帰データセットであるRelSCを紹介する。 各グラフは、対応するプログラムの実行時間コストにラベル付けされる。 RelSCの両変種について,多種多様なグラフニューラルネットワークアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2025-05-29T12:59:36Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein [74.64101864289572]
  本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。 xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。 また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
  論文  参考訳（メタデータ） (2024-01-11T15:03:17Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)

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。