論文の概要: From Performance to Viability: A Bootstrap Framework for Latent-Space Representation Learning in Adaptive Biological Systems

• arxiv url: http://arxiv.org/abs/2606.01374v1
• Date: Sun, 31 May 2026 18:04:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.669397
• Title: From Performance to Viability: A Bootstrap Framework for Latent-Space Representation Learning in Adaptive Biological Systems
• Title（参考訳）: パフォーマンスから生存へ:適応生物学システムにおける潜在空間表現学習のためのブートストラップフレームワーク
• Authors: Jacques Raynal, Pierre Slangen, Elsa Raynal, Jacques Margerit,
• Abstract要約: 本稿では,適応生物学系における潜在空間表現学習のためのブートストラップフレームワークを提案する。 フレームワークは、観測可能なパフォーマンス、動的な組織、潜伏した組織、縦断的な生存可能性、内部予測近似の5つのレベルで構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Observable performance is commonly used to characterize biological systems. In adaptive systems, however, similar performances may arise from distinct organizations, and configurations that appear comparable at a given time may follow different longitudinal trajectories. This limitation motivates a methodological framework for moving beyond performance-based interpretation without assuming a complete mechanistic model in advance. This article proposes a bootstrap framework for latent-space representation learning in adaptive biological systems. Here, bootstrap is used in a methodological and epistemological sense: new analytical levels are introduced when the preceding representation becomes insufficient to account for observed adaptive dynamics. The framework is organized around five levels: observable performance, dynamic organization, latent organization, longitudinal viability, and internal predictive approximation. The framework is illustrated by three previously reported gait--occlusion studies, used here only as a methodological case sequence and not as new experimental evidence. The article formalizes how performance analysis led to latent organization, how static latent organization led to longitudinal viability, and how observed viability led to internal predictive approximation. The contribution is not a new learning algorithm, clinical protocol, or dataset, but a bootstrap framework for latent-space representation learning describing how increasingly informative representations can emerge from observational insufficiencies in adaptive biological data.
• Abstract（参考訳）: 観察可能なパフォーマンスは、生物学的システムの特徴付けに一般的に使用される。 しかし、適応的なシステムでは、類似したパフォーマンスは異なる組織から生じ、特定の時刻に匹敵する構成は異なる縦方向の軌跡に従う可能性がある。 この制限は、前もって完全な力学モデルを仮定することなく、パフォーマンスベースの解釈を超えて進むための方法論的な枠組みを動機付けている。 本稿では,適応生物学系における潜在空間表現学習のためのブートストラップフレームワークを提案する。 ここでは、ブートストラップは方法論的および認識論的意味において使用され、先行表現が不十分になったときに新しい分析レベルを導入し、観察された適応力学を考慮に入れた。 フレームワークは、観測可能なパフォーマンス、動的な組織、潜伏した組織、縦断的な生存可能性、内部予測近似の5つのレベルで構成されている。 この枠組みは、ここでは方法論的なケースシーケンスとしてのみ使用され、新しい実験的な証拠としてではなく、以前に報告された3つの歩行-閉塞研究によって説明されている。 記事では、パフォーマンス分析が潜伏組織にどのように寄与したか、静的潜伏組織が縦方向の生存性にどのように寄与したか、そして、観察された生存性が内部予測の近似にどのように寄与したかが定式化されている。 このコントリビューションは、新しい学習アルゴリズム、臨床プロトコル、データセットではなく、適応生物学的データにおける観察的不足から情報伝達表現がどのように出現するかを記述する潜在空間表現学習のためのブートストラップフレームワークである。

関連論文リスト

• Emergent Structured Representations Support Flexible In-Context Inference in Large Language Models [77.98801218316505]
  大型言語モデル(LLM)は、人間のような推論を示唆する創発的な行動を示す。 テキスト内概念推論におけるLLMの内部処理について検討する。
  論文  参考訳（メタデータ） (2026-02-08T03:14:39Z)
• Self-Supervised Dynamical System Representations for Physiological Time-Series [24.669317615791343]
  生理的時系列のための自己教師付き学習(SSL)は、非関連ノイズを除去しながら、基礎となる生理的状態に関する情報を保存するための事前訓練対象の能力に依存する。 本稿では,複数の時系列にまたがる動的システム生成モデルの情報構造を利用した事前学習フレームワークを提案する。 このフレームワークは,類似した時系列サンプル間で共有されるシステムパラメータに関連する生成変数に関する情報を抽出することにより,クラスアイデンティティを効率的に取得できるという,私たちのキーとなる洞察を明らかにする。 PULSEは、生理学的時系列データセットのためのクロスコンストラクションに基づく事前学習対象であり、非参照型サンプルを捨てながら、システム情報を明示的に抽出する。
  論文  参考訳（メタデータ） (2025-11-28T22:53:31Z)
• A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
  本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。 後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。 実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
  論文  参考訳（メタデータ） (2025-05-06T04:39:34Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• TS-MoCo: Time-Series Momentum Contrast for Self-Supervised Physiological Representation Learning [8.129782272731397]
  ラベルを必要とせずに様々な生理領域から表現を学習するために,モーメントコントラストを持つ自己教師型学習に依存した新しい符号化フレームワークを提案する。 我々の自己教師型学習アプローチは、下流の分類タスクで活用できる差別的特徴を実際に学習できることを示します。
  論文  参考訳（メタデータ） (2023-06-10T21:17:42Z)
• Inverse Dynamics Pretraining Learns Good Representations for Multitask Imitation [66.86987509942607]
  このようなパラダイムを模倣学習でどのように行うべきかを評価する。 本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。 逆動力学モデリングはこの設定に適していると主張する。
  論文  参考訳（メタデータ） (2023-05-26T14:40:46Z)
• Variational Predictive Routing with Nested Subjective Timescales [1.6114012813668934]
  本稿では,時間的階層に潜む映像の特徴を整理するニューラル推論システムである変動予測ルーティング(PRV)を提案する。 VPRはイベント境界を検出し、時間的特徴を分散させ、データの動的階層に適応し、未来の正確な時間に依存しないロールアウトを生成することができることを示す。
  論文  参考訳（メタデータ） (2021-10-21T16:12:59Z)
• Complementary Structure-Learning Neural Networks for Relational Reasoning [3.528645587678267]
  海馬におけるパターン分離は,新しい環境下での迅速な学習を可能にすることを示す。 ネオコルテックスのゆっくりとした学習は、よく学習された環境から体系的な構造を抽出するために小さな重量変化を蓄積する。
  論文  参考訳（メタデータ） (2021-05-19T06:25:21Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。