論文の概要: Inference of Qualitative Models from Steady-State Data via Weighted MaxSMT

• arxiv url: http://arxiv.org/abs/2605.07433v2
• Date: Wed, 13 May 2026 13:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.791436
• Title: Inference of Qualitative Models from Steady-State Data via Weighted MaxSMT
• Title（参考訳）: 重み付きMaxSMTによる定常データからの定性モデルの推定
• Authors: Ondřej Huvar, Nikola Beneš, Martin Jonáš, David Šafránek, Samuel Pastva,
• Abstract要約: We introduced a robust inference method based on weighted MaxSMT。 我々のアプローチは、事前知識ネットワークから神経細胞の分化モデルを予測するのに有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.7340017786387767
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Qualitative models provide crucial instruments for modelling complex biological systems. While advances in automated reasoning and symbolic encodings have enabled rigorous inference of these models from data, the process remains highly fragile. First, biological measurement errors inevitably propagate into formal model specifications. Second, when a specification becomes unsatisfiable, distinguishing between fundamental design flaws and minor technical errors is notoriously difficult. This uncertainty often leads to under-specification, as it is unclear which observations are still ``safe'' to incorporate. To overcome these challenges, we introduce a robust inference method based on weighted MaxSMT. By encoding uncertain biological observations as weighted soft constraints, our approach enables the solver to identify a model best reflecting the observations, even with some conflicting constraints. Our method allows for Boolean and multi-valued variable domains, alongside observations derived from discretisation (level constraints) and differential expression (ordering constraints). We show our approach can be used to successfully infer neural cell differentiation models from prior-knowledge networks with 200--1300 genes using ordering constraints on all included genes.
• Abstract（参考訳）: 定性的モデルは複雑な生物学的システムをモデル化するための重要な手段を提供する。 自動推論とシンボリックエンコーディングの進歩により、データからこれらのモデルの厳密な推論が可能になったが、そのプロセスは非常に脆弱である。 まず、生物学的な測定誤差が必然的に形式的なモデル仕様に伝播する。 第二に、仕様が満足できないものになったとき、基本的な設計上の欠陥と小さな技術的エラーを区別するのは、非常に難しい。 この不確実性はしばしば、どの観察がまだ『安全な』のかがわからないため、過小評価につながる。 これらの課題を克服するために,重み付きMaxSMTに基づく頑健な推論手法を提案する。 生物学的な不確実な観察を重み付けされたソフト制約として符号化することにより、この方法では、矛盾する制約を伴っても、観察を最もよく反映するモデルを特定することができる。 本手法は,離散化(レベル制約)と差分表現(順序制約)から導かれる観測とともに,ブールおよび多値変数領域を許容する。 提案手法は,200--1300遺伝子を含む事前知識ネットワークから,全遺伝子に対する順序制約を用いて,神経細胞の分化モデルの推定に有効であることを示す。

関連論文リスト

• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Are vision language models robust to uncertain inputs? [5.249651874118556]
  より新しい視覚言語モデルでは、従来のモデルに比べて頑健性が向上したが、それでも厳密な指示に従う傾向にあることを示す。 ImageNetのような自然なイメージでは、パイプラインの変更なしにこの制限を克服することができる。 モデルの内部不確実性を明らかにするために,キャプションの多様性に基づく新しいメカニズムを提案する。
  論文  参考訳（メタデータ） (2025-05-17T03:16:49Z)
• Relational Neurosymbolic Markov Models [13.22004615196798]
  逐次問題は、強化学習や自然言語処理など、AIにおいてユビキタスである。 我々はニューロシンボリックAI(NeSy)を導入し、深層確率モデルにおける制約を強制する健全なフォーマリズムを提供するが、逐次問題に対して指数関数的にスケールする。 本稿では, 逐次的設定に基づいて, 近似ベイズ推論, 自動推論, 勾配推定を組み合わせた推論と学習の戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-17T15:41:51Z)
• Conformal Prediction in Dynamic Biological Systems [0.6144680854063939]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、計算モデル予測における信頼度を体系的に決定し、特徴づける過程である。 ここでは、決定論的非線形常微分方程式で表される動的モデルに焦点を当てる。 本稿では,共形推論手法を用いて,漸近的でない保証を提供する2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-04T12:20:27Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Topological Interpretability for Deep-Learning [0.30806551485143496]
  ディープラーニング(DL)モデルは、予測の確実性を定量化できない。 本研究は,臨床および非臨床のテキストに基づいて訓練された2つのDL分類モデルにおいて,特徴を推測する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-15T13:38:13Z)
• A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
  本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。 提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
  論文  参考訳（メタデータ） (2021-11-26T06:33:29Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)

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。