論文の概要: Leveraging Biokinetic Knowledge Priors for Data-Scarce Bioprocess Modeling

• arxiv url: http://arxiv.org/abs/2607.20539v1
• Date: Fri, 10 Jul 2026 17:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.224065
• Title: Leveraging Biokinetic Knowledge Priors for Data-Scarce Bioprocess Modeling
• Title（参考訳）: データ・スカース・バイオプロセスモデリングにおける生体力学的知識の活用
• Authors: Kyunghoon Hur, Eunjung Jeon, Hyun Woo Kim, Gyubok Lee, Seongjun Yang,
• Abstract要約: バイオリアクター実験は高価であり、数日から数週間かかる。 この知識をニューラルネットワークに注入する方法は、体系的に研究されていない。 シミュレーションで事前訓練されたジェネリックデコーダは、実データに基づいてトレーニングされた完全にバイオ構造化されたデコーダと一致する。
• 参考スコア（独自算出の注目度）: 7.194660088026623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning has accelerated drug discovery, its impact on biomanufacturing has been considerably more limited. The reason is data scarcity. Bioreactor experiments are high-cost, take days to weeks, and are rarely shared in public form, leaving each research work with only a handful of experiments. The domain itself, however, is rich in prior knowledge. Biokinetic ordinary differential equation (ODE) models have described microbial growth for decades, yet how to inject this knowledge into a neural network has not been studied systematically. We present the first systematic study of how to inject this ODE knowledge into a neural network, comparing a data-level prior that pre-trains a generic decoder on simulated ODE curves against an architecture-level prior that embeds the ODE inside the decoder. Both consistently outperform no-prior baselines across 11 datasets and 7 microbial species. Our central finding is that the two are substitutable. A generic decoder pre-trained on simulation matches a fully bio-structured decoder trained on real data. Simulation pre-training therefore offers a simple, data-efficient recipe for deep learning under bioprocess data scarcity.
• Abstract（参考訳）: 深層学習は薬物発見を加速させてきたが、バイオマニュファクチャリングへの影響は著しく制限されている。 理由はデータの不足です。 バイオリアクター実験は高価で、数日から数週間かかり、公的な形で共有されることはめったにない。 しかし、ドメイン自体は事前の知識に富んでいる。 生体運動性常微分方程式(ODE)モデルは、何十年もの間、微生物の成長を記述してきたが、この知識をニューラルネットワークに注入する方法は、体系的に研究されていない。 我々は、このODEの知識をニューラルネットワークに注入する方法に関する最初の体系的研究を行い、シミュレーションされたODE曲線上のジェネリックデコーダを事前トレーニングするデータレベルと、デコーダ内にODEを埋め込むアーキテクチャレベル前とを比較した。 どちらも、11のデータセットと7の微生物種にまたがる優良なベースラインを一貫して上回っている。 私たちの中心的な発見は、この2つが置換可能であることです。 シミュレーションで事前訓練されたジェネリックデコーダは、実データに基づいてトレーニングされた完全にバイオ構造化されたデコーダと一致する。 したがって、シミュレーション事前学習は、バイオプロセスデータ不足下でのディープラーニングのためのシンプルでデータ効率のよいレシピを提供する。

関連論文リスト

• 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)
• Biologically-inspired Semi-supervised Semantic Segmentation for Biomedical Imaging [7.915123555266876]
  本稿では,バイオインスパイアされた半教師付き学習手法を提案する。 バイオメディカルデータセットを用いて実験を行い,本手法の評価を行った。 その結果,提案手法はラベルの可用性の異なるレベルにおいてSOTA手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-04T10:25:53Z)
• Deep Learning for real-time neural decoding of grasp [0.0]
  本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。 提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
  論文  参考訳（メタデータ） (2023-11-02T08:26:29Z)
• Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
  予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。 PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Identifying nonlinear dynamical systems from multi-modal time series data [3.721528851694675]
  物理学、生物学、医学における経験的に観察された時系列は、一般的に、基礎となる力学系(DS)によって生成される。 完全にデータ駆動で教師なしの方法で、この潜伏するDSを再構築するための機械学習手法の収集への関心が高まっている。 本稿では,非線形DS識別とクロスモーダル予測を目的としたマルチモーダルデータ統合のための汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-04T14:59:28Z)
• 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)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• A generic ensemble based deep convolutional neural network for semi-supervised medical image segmentation [7.141405427125369]
  深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。 本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-04-16T23:41:50Z)

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。