論文の概要: Transformer-Based Active Learning for Data-Efficient Vaccine Epitope Selection in PRRS

• arxiv url: http://arxiv.org/abs/2606.28659v1
• Date: Sat, 27 Jun 2026 00:29:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.633151
• Title: Transformer-Based Active Learning for Data-Efficient Vaccine Epitope Selection in PRRS
• Title（参考訳）: PRRSにおけるデータ効率の良いワクチンエピトープ選択のためのトランスフォーマーに基づくアクティブラーニング
• Abstract要約: 9-mersと保存状態の良いブタ抗原受容体の高結合親和性のインスタンスを分類するための機械学習手法の評価を行った。 本研究では,9-mersと保存状態の良いブタ抗原受容体の高結合親和性のインスタンスを分類するために,能動学習の変種を用いて機械学習(ML)アプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity molecular docking simulations can produce biologically relevant estimates of epitope-receptor binding affinity but are computationally expensive and therefore limit the number of candidates that can be screened for vaccine design. In this work, we evaluate machine learning (ML) approaches where variants of active learning are used to classify instances of high binding affinity between 9-mer epitopes and a well-conserved swine leukocyte antigen (SLA) receptor in the context of Porcine Reproductive and Respiratory Syndrome (PRRS). We use an internally generated dataset of 80 epitope-SLA docking affinities, each requiring more than 48 hours of high-performance computing (HPC). Multiple model families (linear, MLP, CNN, and a small transformer) are trained under strict low-data conditions within a pool-based active learning loop. In each case, optimal model configurations are identified by conducting large-scale hyperparameter optimization over the combined space of model architecture, training configuration, acquisition policy, and ensemble decision rules. To mitigate the effects of data subsample selection, each candidate configuration is evaluated by averaging performance over many randomized and balanced training and validation data subsets. Across experiments, transformer-based sequence models consistently emerged as the best-performing architecture, with active incremental learning yielding significant improvement over a baseline random sample acquisition strategy. Under moderate training data availability (N=30), the optimized ML-model configuration outperforms a standard baseline trained on twice the amount of data. Under higher training data availability (N=60), the same configuration achieves a peak accuracy of 86.8%, consistent with an upper bound of 85% classification accuracy based on two independent estimates of conformational noise.
• Abstract（参考訳）: 高忠実度分子ドッキングシミュレーションは、エピトープ-受容体結合親和性の生物学的に関係のある推定値を生成することができるが、計算に高価であるため、ワクチン設計のためにスクリーニングできる候補の数を制限することができる。 本研究では,9-merエピトープと保存状態の良いブタ白血球抗原(SLA)受容体の高結合親和性のインスタンスを,ブタ生殖・呼吸症候群(PRRS)の文脈で分類する機械学習(ML)アプローチを評価する。 内部で生成した80個のエピトープSLAドッキングアフィニティのデータセットを使用しており、それぞれ48時間以上のハイパフォーマンスコンピューティング(HPC)を必要とする。 複数のモデルファミリ(線形、MLP、CNN、小型トランスフォーマー)は、プールベースのアクティブ学習ループ内で厳密な低データ条件下で訓練される。 それぞれのケースにおいて、モデルアーキテクチャ、トレーニング構成、取得ポリシー、アンサンブル決定ルールを組み合わせた空間に対して大規模なハイパーパラメータ最適化を行うことにより、最適なモデル構成を特定する。 データサブサンプル選択の効果を軽減するため、ランダム化およびバランスの取れた多くのトレーニングおよび検証データサブセットに対して、各候補構成を平均化して評価する。 実験全体では、トランスフォーマーに基づくシーケンスモデルが最も優れたアーキテクチャとして一貫して登場し、アクティブインクリメンタル学習はベースラインのランダムサンプル取得戦略よりも大幅に改善された。 適度なトレーニングデータ可用性(N=30)の下では、最適化されたMLモデル構成は、データの2倍の量でトレーニングされた標準ベースラインよりも優れています。 より高いトレーニングデータ可用性(N=60)の下では、同じ構成が86.8%のピーク精度を達成し、コンフォメーションノイズの2つの独立した推定値に基づいて、上位の85%の分類精度と一致する。

関連論文リスト

• Parameter-Efficient Self-Supervised Adaptation for EEG-FM under Fixed Computational Budgets [0.12891210250935145]
  目的タスクに表現を合わせるのに十分なパラメータの9%しか更新していないパラメータ効率の自己教師型適応について検討する。 事前学習目的の異なる2つの最先端モデルに対して,本手法の評価を行った。 SSL適応は、線形プローブよりも、最大20倍のAUCPRで一貫した利得が得られる。
  論文  参考訳（メタデータ） (2026-08-25T15:38:46Z)
• Learning Multi-Indicator Weights for Data Selection: A Joint Task-Model Adaptation Framework with Efficient Proxies [50.39041754816285]
  本稿では、下流タスクと特定のモデルの両方にデータ選択を併用する多変数重み学習フレームワークを提案する。 提案手法は,GSM8Kのトレーニングサンプルの30%しか使用せず,フルデータセットチューニングに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2026-05-10T17:30:16Z)
• Latent Neural-ODE for Model-Informed Precision Dosing: Overcoming Structural Assumptions in Pharmacokinetics [3.0991186209192794]
  タクロリムスAUC予測のための遅延正規微分方程式(Latent ODE)に基づく新しいデータ駆動方式を提案する。 このディープラーニングアプローチは、疎い臨床データから個別化されたダイナミクスを直接学習する。 潜在ODEモデルは、標準的な仮定から逸脱した基盤となる生物学的メカニズムであっても、優れた堅牢性を示し、高い精度を維持した。
  論文  参考訳（メタデータ） (2026-02-03T07:30:48Z)
• Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice [109.9635246405237]
  データ品質に関する実験結果が、ハイパーパラメータのトレーニングに微調整を加えることで、反転できることを示す。 評価プロトコルに簡単なパッチを導入し、プロキシモデルのトレーニングに学習率を削減した。 実験により,データキュレーションの4つの重要な次元をカバーする23種類のデータレシピに対して,このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-12-30T23:02:44Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• ATwo-Stage Ensemble Feature Selection and Particle Swarm Optimization Approach for Micro-Array Data Classification in Distributed Computing Environments [0.28087862620958753]
  マイクロアレイ技術によって生成されたデータセットの高次元性は、機械学習アルゴリズムの課題である。 我々は,ハイブリッドアレイのクラスiフィカシックに対して,多数決によるアンサンブル特徴選択手法を提案する。 提案モデルの有効性は,ローカル環境とクラウド環境の両方で検証されている。
  論文  参考訳（メタデータ） (2025-07-06T05:50:34Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Personalized Control for Lower Limb Prosthesis Using Kolmogorov-Arnold Networks [0.0]
  本稿では,低床義肢義肢のパーソナライズのためのKAN(Kolmogorov-Arnold Networks)における学習可能なアクティベーション機能の可能性について検討する。 さらに、ユーザ固有のトレーニングデータとプールされたトレーニングデータを評価し、ターンインテンション予測のための機械学習(ML)とディープラーニング(DL)のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2025-05-14T13:18:57Z)
• Transfer Learning with Active Sampling for Rapid Training and Calibration in BCI-P300 Across Health States and Multi-centre Data [0.13124513975412253]
  機械学習とディープラーニングの進歩により、Brain-Computer Interface(BCI)のパフォーマンスが向上した。 個々の健康、ハードウェアのバリエーション、そしてニューラルデータに影響を与える文化的差異などの要因により、適用範囲は限られている。 適応的な伝達学習を備えた畳み込みニューラルネットワークを用いたBCIにおけるP300波の検出を提案する。
  論文  参考訳（メタデータ） (2024-12-14T14:20:21Z)
• Comparative Analysis and Ensemble Enhancement of Leading CNN Architectures for Breast Cancer Classification [0.0]
  本研究は,病理組織像を用いた乳癌分類への新規かつ正確なアプローチを提案する。 さまざまな画像データセット間で、主要な畳み込みニューラルネットワーク(CNN)モデルを体系的に比較する。 そこで本研究では,スタンドアロンCNNモデルにおいて,例外的分類精度を実現するために必要な設定について検討した。
  論文  参考訳（メタデータ） (2024-10-04T11:31:43Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。