論文の概要: Knowledge-Inclusive Adaptive Physics-Informed Neural Network for Microbial Interaction Modelling

• arxiv url: http://arxiv.org/abs/2606.07686v1
• Date: Fri, 05 Jun 2026 03:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.275927
• Title: Knowledge-Inclusive Adaptive Physics-Informed Neural Network for Microbial Interaction Modelling
• Title（参考訳）: 微生物相互作用モデリングのための知識包摂的適応物理学情報ニューラルネットワーク
• Authors: Ravisha Rupasinghe, Rajith Vidanaarachchi, Asela Hevapathige, Sachith Seneviratne, Sen-Lin Tang, Saman Halgamuge,
• Abstract要約: 補助的な知識源を組み込んでパラメータ発見を充実させる新しいPINNフレームワークを提案する。 我々のフレームワークは、知識なしでも最先端を最大53%改善します。
• 参考スコア（独自算出の注目度）: 2.8872261254207103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-Informed Neural Network (PINN) is a way of including knowledge in the form of equations in Machine Learning methods. Beyond equations, knowledge exists in other forms, such as text and network structure. While existing PINN-based approaches discover equation parameters from data, they rely solely on experimental measurements. We propose a new PINN framework that enriches parameter discovery by incorporating auxiliary knowledge sources. We instantiate our framework for microbiology, where generalised Lotka-Volterra (gLV) serves as a biological foundation for modelling microbial communities. We demonstrate that incorporating knowledge improves microbial community modelling. Our framework enriches the gLV parameters using peer-reviewed metagenomics literature, as text provides biological context on external influences that gLV alone cannot capture. We combine this knowledge with experimental measurements of microbial abundance using a data-driven integration approach. We integrate network-based structural knowledge by explicitly modelling microbial interactions. Our knowledge-inclusive framework infers microbial networks, revealing ecological insights. We validate these findings against ecological roles documented in the literature. We evaluate on real and simulated datasets spanning human- and plant-associated microbial communities. Our framework improves over the state-of-the-art by up to 53%, even without knowledge. Knowledge addition yields gains of up to 23% in Bray-Curtis Dissimilarity-based accuracy and 47% in $\mathrm{R}^2$.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(英: Physics-Informed Neural Network、PINN)は、機械学習の手法における方程式の形式に知識を組み込む方法である。 方程式以外にも、知識はテキストやネットワーク構造といった他の形式が存在する。 既存のPINNベースのアプローチはデータから方程式パラメータを発見するが、それらは実験的な測定にのみ依存する。 補助的な知識源を組み込んでパラメータ発見を充実させる新しいPINNフレームワークを提案する。 微生物学の枠組みとして,一般のロトカ・ボルテラ (gLV) が微生物群集をモデル化するための生物学的基盤として機能する。 知識の導入は微生物コミュニティのモデリングを改善することを実証する。 本フレームワークは,gLVだけでは捉えられない外部の影響に関する生物学的文脈を提供するテキストとして,ピアレビューされたメダゲノミクス文献を用いて,gLVパラメータを充実させる。 データ駆動型統合手法を用いて,この知識と微生物量の実験的測定を組み合わせた。 我々は、微生物の相互作用を明示的にモデル化することで、ネットワークベースの構造知識を統合する。 私たちの知識を包含するフレームワークは、微生物ネットワークを推論し、生態学的洞察を明らかにします。 文献に記載された生態学的役割に対して,これらの知見を検証した。 ヒトおよび植物関連微生物群集にまたがる実・模擬データセットについて検討した。 我々のフレームワークは、知識なしでも最先端を最大53%改善します。 知識の追加は、Bray-Curtis Dissimilarityベースの精度で最大23%、$\mathrm{R}^2$で47%を得る。

関連論文リスト

• Towards Open-Ended Visual Scientific Discovery with Sparse Autoencoders [11.190791003373322]
  スパースオートエンコーダが基礎モデル表現からオープンな特徴発見を可能にするかどうかを問う。 生態画像に適用すると、同じ手順がセグメンテーションや部分ラベルにアクセスせずに微細な解剖学的構造を表面化する。 この結果から, スパース分解は, 科学基盤モデルが何を学んだかを調べるための実践的な手段となることが示唆された。
  論文  参考訳（メタデータ） (2025-11-21T19:38:07Z)
• VitaGraph: Building a Knowledge Graph for Biologically Relevant Learning Tasks [8.962235896860294]
  複数の公開データセットの統合と精錬によって構築された包括的生物学的知識グラフを提案する。 得られたリソースは、計算生物学と精密医療の研究を進めるための最先端のプラットフォームとして機能する、一貫性があり信頼性の高い生物学的知識グラフである。
  論文  参考訳（メタデータ） (2025-05-16T12:43:04Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• 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)
• Pruning neural network models for gene regulatory dynamics using data and domain knowledge [24.670514977455202]
  本稿では,モデルフィッティングにおけるドメイン固有構造情報を用いてネットワークプルーニングをガイドするフレームワークであるDASHを提案する。 DASHは、遺伝子相互作用パートナーに関する知識を用いて、一般的な刈り取り法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-05T23:02:55Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• Supervised Learning and Model Analysis with Compositional Data [4.082799056366927]
  KernelBiomeはカーネルベースの非パラメトリック回帰分類フレームワークである。 我々は、最先端の機械学習手法と比較して、同等または改善された性能を示す。
  論文  参考訳（メタデータ） (2022-05-15T12:33:43Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Inferential Text Generation with Multiple Knowledge Sources and Meta-Learning [117.23425857240679]
  本研究では,テキストティフ・エルス関係のような多種多様なコモンセンスのイベントの推論テキストを生成する問題について検討する。 既存のアプローチでは、トレーニング例からの限られた証拠を使用して、個々の関係について学習するのが一般的である。 この研究では、モデルのための燃料として複数の知識ソースを使用します。
  論文  参考訳（メタデータ） (2020-04-07T01:49:18Z)

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。