論文の概要: HyCoSeq: Contextual Hyperbolic Representation Learning for Genomic Sequences
- arxiv url: http://arxiv.org/abs/2609.16925v1
- Date: Tue, 15 Sep 2026 10:01:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.438946
- Title: HyCoSeq: Contextual Hyperbolic Representation Learning for Genomic Sequences
- Title（参考訳）: HyCoSeq:ゲノム配列の文脈的双曲表現学習
- Abstract要約: HyCoSeqは、ゲノム配列の文脈的双曲表現学習フレームワークである。
重み付けされたローレンツ残余集合を多曲率ローレンツ符号化に組み込み、全ローレンツ表現が幾何整合局所集合に直接参加できるようにする。
- 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: Hyperbolic geometry provides a natural inductive bias for genomic representation learning, but existing hyperbolic genomic models primarily use Lorentz convolutions to learn local sequence representations, while their residual pathways do not directly aggregate full Lorentz representations. We propose HyCoSeq, a contextual hyperbolic representation learning framework for genomic sequences. HyCoSeq incorporates weighted Lorentzian residual aggregation into multi-curvature Lorentz encoding, allowing full Lorentz representations to participate directly in geometry-consistent local aggregation. It further introduces a bidirectional long short-term memory network that integrates information from both sequence directions to learn contextual relationships among local representations at different positions within a genomic sequence, thereby extending local hyperbolic convolutional encoding to sequence-level contextualized representations. Extensive experiments across diverse genomic tasks show that HyCoSeq outperforms existing hyperbolic baselines and, without large-scale genomic pretraining, achieves competitive performance against substantially larger pretrained DNA language models.
- Abstract（参考訳）: 双曲幾何学はゲノム表現学習に自然な帰納バイアスを与えるが、既存の双曲型ゲノミクスモデルはローレンツ畳み込みを用いて局所列表現を学習するが、残りの経路はローレンツ表現を直接集約するわけではない。
ゲノム配列の文脈的双曲表現学習フレームワークHyCoSeqを提案する。
HyCoSeqは重み付けされたローレンツ残余集合を多曲率ローレンツ符号化に組み込み、全ローレンツ表現が幾何整合局所集合に直接参加できるようにする。
さらに、ゲノム配列内の異なる位置における局所表現間の文脈関係を学習するために、シーケンス方向の情報を統合する双方向長短期記憶ネットワークを導入し、これにより、局所双曲的畳み込み符号化をシーケンスレベルの文脈化表現に拡張する。
多様なゲノムタスクにわたる大規模な実験により、HyCoSeqは既存の双曲型ベースラインよりも優れており、大規模なゲノム前訓練がなければ、かなり大きな事前訓練されたDNA言語モデルと競合する性能を発揮することが示されている。
関連論文リスト
- Neural Networks Provably Learn Spectral Representations for Group Composition [51.637084292404616]
ニューラルネットワークトレーニング中に内部構造がどのように現れるかを検討する。
トレーニング力学は表現理論エネルギー汎関数上の勾配上昇によって支配されていることを証明する。
このフレームワークは特徴学習の表現論的記述を提供し、新しい低ランク圧縮現象を特徴付ける。
論文 参考訳（メタデータ） (2026-06-02T01:04:21Z) - Graph Neural Networks in the Wilson Loop Representation of Abelian Lattice Gauge Theories [0.0]
局所ゲージ構造は、幅広い凝縮物質系や合成量子プラットフォームにおいて中心的な役割を果たす。
本稿では,アベリア格子ゲージモデルのためのゲージ不変グラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-05-05T15:55:21Z) - Intrinsic Lorentz Neural Network [49.83037691286893]
実世界のデータは、しばしば、双曲幾何学によって自然に表される潜在階層構造を示す。
本稿では,全計算をローレンツモデル内で行う完全内在型双曲型アーキテクチャであるEmphIntrinsic Lorentz Neural Network (ILNN)を提案する。
ネットワークの中核は、従来のユークリッド・アフィン・ロジットを閉形双曲線距離に置き換え、新しいエンファンポイント-ハイアプレーン完全連結層(FC)を導入している。
論文 参考訳（メタデータ） (2026-02-27T12:48:05Z) - Fast and Geometrically Grounded Lorentz Neural Networks [44.564864487582525]
双曲型ニューラルネットの定式化は効率的で,双曲型空間の重要な特性を捉えることができる。
現在のローレンツ線型層の定式化により、出力の双曲ノルムは勾配降下ステップの数と対数的にスケールすることが証明される。
我々の新しい定式化とローレンツの活性化関数によるさらなる効率性、そして新しいキャッシング戦略により、ニューラルネットワークは双曲幾何学によって完全に支配される。
論文 参考訳（メタデータ） (2026-01-29T10:44:32Z) - Implicit Hypergraph Neural Networks: A Stable Framework for Higher-Order Relational Learning with Provable Guarantees [8.5183483099116]
Indicit Hypergraph Neural Networks (IHGNN)を導入し、非線形不動点方程式の解として表現を計算する。
IHGNNは、正確性と堅牢性の両方において、強力な従来のグラフ/ハイパーグラフニューラルネットワークベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2025-08-13T02:06:29Z) - Hyperbolic Genome Embeddings [0.6656737591902598]
我々は,生物系の進化的インフォームド構造を利用した,双曲型CNNの新しい応用法を開発した。
我々の戦略は、配列の重要な性質を識別しながら、明示的な系統マッピングの必要性を回避するものである。
われわれの手法は、7つのGUEベンチマークデータセットの最先端性能を超えている。
論文 参考訳（メタデータ） (2025-07-29T10:06:17Z) - Sequential-Parallel Duality in Prefix Scannable Models [68.39855814099997]
近年では Gated Linear Attention (GLA) や Mamba など様々なモデルが開発されている。
ニアコンスタント時間並列評価と線形時間、定数空間シーケンシャル推論をサポートするニューラルネットワークモデルの全クラスを特徴付けることができるだろうか?
論文 参考訳（メタデータ） (2025-06-12T17:32:02Z) - Relative Representations: Topological and Geometric Perspectives [50.85040046976025]
相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。
相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。
第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
論文 参考訳（メタデータ） (2024-09-17T08:09:22Z) - Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。
本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
論文 参考訳（メタデータ） (2024-07-03T10:31:30Z) - Fully Hyperbolic Neural Networks [63.22521652077353]
ローレンツモデルに基づく双曲型ネットワークを構築するための,完全双曲型フレームワークを提案する。
提案手法は,浅層ネットワークと深層ネットワークの両方を構築する上で,優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-31T03:36:49Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z)
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。