論文の概要: Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs

• arxiv url: http://arxiv.org/abs/2607.22314v1
• Date: Fri, 24 Jul 2026 13:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.146754
• Title: Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs
• Title（参考訳）: 因子グラフを用いたサブサンプリングのための進化型MSA推論
• Abstract要約: 複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。 MSAサブサンプリングは限定的なトークン予算では避けられない。 本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
• 参考スコア（独自算出の注目度）: 55.715754117956514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple Sequence Alignments (MSAs) provide protein language models with explicit evolutionary context, but their large depth makes subsampling unavoidable under limited token budgets. Existing strategies, including random selection, identity-based filtering, and diversity-driven sampling, are effective heuristics, yet provide limited control over the evolutionary signals retained in the subset. In this work, we recast MSA subsampling as an explicit optimization problem, where key evolutionary measures, including query identity and diversity, are treated as controllable objectives. Building on this view, we introduce AP-REASONER, an Affinity-Propagation-based factor-graph approach. With evolution-aware unary factors, exemplar-consistency factors, and two control knobs, AP-REASONER performs factor-graph reasoning through message passing to infer a fixed-budget MSA subset. Experiments on long-range contact prediction and conformational ensemble prediction show that AP-REASONER outperforms baseline subsamplers on structure-sensitive downstream tasks and enables controllable recovery of alternative protein conformations. These results highlight the value of modeling MSA subsampling as a controllable optimization problem, where factor-graph reasoning offers an effective alternative to heuristic selection.
• Abstract（参考訳）: マルチシーケンスアライメント(MSA)は、明示的な進化的文脈を持つタンパク質言語モデルを提供するが、その大きな深さは、トークン予算の制限の下でサブサンプリングを回避できる。 ランダム選択、アイデンティティベースのフィルタリング、多様性駆動サンプリングを含む既存の戦略は効果的なヒューリスティックであるが、サブセットに保持されている進化的信号の限定的な制御を提供する。 本研究では,MSAサブサンプリングを明示的な最適化問題として再考し,クエリの同一性や多様性を含む重要な進化的尺度を制御可能な目的として扱う。 この観点から、親和性プロパゲーションに基づく因子グラフアプローチであるAP-REASONERを導入する。 AP-REASONERは、進化を意識した一様因子、典型的な一貫性因子、および2つの制御ノブを用いて、メッセージパッシングを通じてファクタグラフ推論を行い、固定予算のMSAサブセットを推測する。 長距離接触予測とコンフォーメーションアンサンブル予測の実験により、AP-REASONERは、構造に敏感な下流タスクにおいてベースラインサブサンプラーよりも優れ、代替タンパク質コンフォーメーションの制御可能な回復を可能にすることが示された。 これらの結果は、因子グラフ推論がヒューリスティック選択の効果的な代替となる制御可能な最適化問題として、MSAサブサンプリングのモデル化の価値を強調している。

関連論文リスト

• SuppreSensing: Expert-Guided Feature Recalibration and Discrepancy Augmentation for Multimodal Object Detection [19.446402308279676]
  本稿では,多モード融合を選択的協調プロセスとして再構成するSuppreSensingを提案する。 SupreSensingは、最初にExpert-driven Multimodal Feature Recalibration (EMFR)モジュールを設計した。 モーダリティ固有の拡張戦略を用いて、特定のモーダリティの特徴を属性とする。 DroneVehicleとVEDAIデータセットの実験は、SuppreSensingが最先端の検出パフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2026-08-21T10:06:00Z)
• Linear Proposal Operators and Stochastic Search Geometry in SOMA and Differential Evolution [0.06875312133832077]
  本稿では,境界修復と適合性に依存した選択から,目的非依存のばらつきを分離する演算子選択因数分解を提案する。 それは、自己組織化アルゴリズム(SOMA)と微分進化(DE)の提案幾何学の研究にそれを使用している。
  論文  参考訳（メタデータ） (2026-07-31T09:58:58Z)
• XAI-SOH-FL: Enhancing SOH-FL with Adaptive Aggregation and Explainable AI for Intrusion Detection in Heterogeneous IoT [0.0]
  XAI-SOH-FLは適応アグリゲーションと説明可能な人工知能をSOH-FLパラダイムに統合する拡張フレームワークである。 XAI-SOH-FLの精度は94.12%、F1スコアは0.92であり、ベースラインのSOH-FLモデルより優れている。
  論文  参考訳（メタデータ） (2026-05-28T21:23:53Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• Unified modality separation: A vision-language framework for unsupervised domain adaptation [60.8391821117794]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインでトレーニングされたモデルが新しいラベル付きドメインを扱うことを可能にする。 本稿では,モダリティ固有成分とモダリティ不変成分の両方に対応可能な統一モダリティ分離フレームワークを提案する。 提案手法は,9倍の計算効率で最大9%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-08-07T02:51:10Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• Instruction-Oriented Preference Alignment for Enhancing Multi-Modal Comprehension Capability of MLLMs [40.57154850069878]
  本稿では,命令実行の有効性を前提としたアライメント選択を自動的に構築するスケーラブルなフレームワークを提案する。 提案手法は,自動選好構築と専用の検証プロセスを含む。 Qwen2VL-7Bの実験では、複数のベンチマークでIPAの有効性が示されている。
  論文  参考訳（メタデータ） (2025-03-26T08:19:02Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Plug-and-Play Controllable Generation for Discrete Masked Models [27.416952690340903]
  本稿では、離散データ制御可能な生成モデリングのための離散マスクモデルについて述べる。 本稿では,条件付きスコアのトレーニングを回避した重要サンプリングに基づく新しいプラグアンドプレイフレームワークを提案する。 本フレームワークは,制御基準の選択に非依存であり,勾配情報を必要としないため,後方サンプリングやベイズ逆問題,制約生成などのタスクに適している。
  論文  参考訳（メタデータ） (2024-10-03T02:00:40Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)

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。