Fugu-MT 論文翻訳(概要): Uncertainty-Aware Deep Learning for Genomics Applications: Insights from an Empirical Study

論文の概要: Uncertainty-Aware Deep Learning for Genomics Applications: Insights from an Empirical Study

arxiv url: http://arxiv.org/abs/2608.11054v1
Date: Tue, 11 Aug 2026 15:23:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:46.103909
Title: Uncertainty-Aware Deep Learning for Genomics Applications: Insights from an Empirical Study
Title（参考訳）: ゲノミクス応用のための不確実性を考慮した深層学習:実証的研究から
Abstract要約: 本研究では、深層学習モデルにおける不確実性定量化(UQ)の実証分析を行い、ゲノミクスの応用に焦点を当てた。一連の実験では、Deep Ensembles、Bayesian Neural Networks、Monte Carlo-dropout法と対比する。タンパク質とRNAの相互作用において、不確実性スコアが高品質な予測にどのように使われるかを示す。
参考スコア（独自算出の注目度）: 0.084963488352489
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models have emerged as the standard computational tool for a wide range of applications in genomics. Yet, uncertainty quantification (UQ) -- and more specifically, the reliability of different uncertainty estimates in this domain -- has received little systematic attention. This work presents an empirical analysis of UQ in deep learning models, focusing on genomics applications. In a series of experiments, we contrast Deep Ensembles, Bayesian Neural Networks, and Monte Carlo-dropout methods. We assess their ability to quantify uncertainty in different scenarios, accounting for common dataset characteristics in two genomic application areas and modalities: sequence-to-activity models, and single-cell expression analysis. Our systematic comparison framework provides guidelines for the applicability and reliability of UQ methods in genomics, highlighting their strengths and limitations in different scenarios. We show that Bayesian Neural Networks are better at capturing uncertainty caused by strong class imbalance and out-of-distribution data in genomics, despite their computational disadvantages. Moreover, we show how uncertainty scores can be used to select high-quality predictions in protein-RNA interactions.
Abstract（参考訳）: ディープラーニングモデルは、ゲノム学における幅広い応用のための標準的な計算ツールとして登場した。しかし、不確実性定量化(UQ) -- より具体的には、この領域における異なる不確実性推定の信頼性は、体系的にはほとんど注目されていない。本研究は、深層学習モデルにおけるUQの実証分析であり、ゲノミクスの応用に焦点を当てている。一連の実験では、Deep Ensembles、Bayesian Neural Networks、Monte Carlo-dropout法と対比する。異なるシナリオにおける不確実性の定量化能力を評価し,2つのゲノム応用領域における共通データセット特性と,シーケンス・ツー・アクティビティ・モデル(Sequence-to-active model)と単一セル表現解析(Single-cell expression analysis)について検討した。我々の系統比較フレームワークは、ゲノム学におけるUQ手法の適用性と信頼性に関するガイドラインを提供し、異なるシナリオにおけるその強みと限界を強調している。ベイズニューラルネットワークは、計算上の欠点にもかかわらず、強いクラス不均衡とゲノム学における分布外データに起因する不確実性を捉えるのに優れていることを示す。さらに,タンパク質とRNAの相互作用において,不確実性スコアを用いて高品質な予測を行う方法を示す。

関連論文リスト

Calibrated and uncertain? Evaluating uncertainty estimates in binary classification models [0.0]
厳密な統計手法は、特に自然科学における科学的発見の妥当性を裏付けるものである。我々は、ベイズ近似の統一的枠組みと、慎重に生成された合成分類データセットの実証実験を併用する。アルゴリズムが、よく校正され、分布外データポイントの不確実性の増加を示すなど、一般的に望まれる特性を反映した不確実性推定を生成するかどうかを確認する。
論文参考訳（メタデータ） (2025-08-15T13:17:32Z)
Conformal Prediction in Dynamic Biological Systems [0.6144680854063939]
不確実性定量化(英: Uncertainty Quantification、UQ)は、計算モデル予測における信頼度を体系的に決定し、特徴づける過程である。ここでは、決定論的非線形常微分方程式で表される動的モデルに焦点を当てる。本稿では,共形推論手法を用いて,漸近的でない保証を提供する2つの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-09-04T12:20:27Z)
Provably Neural Active Learning Succeeds via Prioritizing Perplexing Samples [53.95282502030541]
ニューラルネットワークベースのアクティブラーニング(NAL)は、ニューラルネットワークを使用してサンプルの小さなサブセットを選択してトレーニングする、費用対効果の高いデータ選択技術である。我々は、機能学習の観点から、両方のクエリ基準ベースのNALの成功について、統一的な説明を提供することにより、一歩前進させようとする。
論文参考訳（メタデータ） (2024-06-06T10:38:01Z)
GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文参考訳（メタデータ） (2024-06-01T08:01:05Z)
Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search [2.711812013460678]
本稿では,分子特性予測のための自動不確実性定量化(UQ)手法であるAutoGNNUQを紹介する。我々のアプローチでは、分散分解を用いてデータ(アラート)とモデル(エステミック)の不確実性を分離し、それらを減らすための貴重な洞察を提供する。 AutoGNNUQは、正確な不確実性定量化が意思決定に不可欠である薬物発見や材料科学などの領域で広く適用可能である。
論文参考訳（メタデータ） (2023-07-19T20:03:42Z)
Single-model uncertainty quantification in neural network potentials does not consistently outperform model ensembles [0.7499722271664145]
ニューラルネットワーク(NN)は、遠く離れた地点であっても、予測に高い信頼性を割り当てることが多い。不確かさ定量化(英: Uncertainty Quantification、UQ)は、物質系における原子間ポテンシャルのモデル化に使用されるときの課題である。異なるUQ技術は、新しい情報データを見つけ、堅牢なポテンシャルのためにアクティブな学習ループを駆動することができる。
論文参考訳（メタデータ） (2023-05-02T19:41:17Z)
Neural State-Space Models: Empirical Evaluation of Uncertainty Quantification [0.0]
本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
論文参考訳（メタデータ） (2023-04-13T08:57:33Z)
Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
論文参考訳（メタデータ） (2023-01-16T14:25:02Z)
The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文参考訳（メタデータ） (2022-05-20T10:10:32Z)
Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
論文参考訳（メタデータ） (2022-02-08T16:09:12Z)
An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
論文参考訳（メタデータ） (2020-07-14T15:47:37Z)

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。