論文の概要: A Learning Algorithm for Threshold Boolean Networks with Prescribed Fixed Points

• arxiv url: http://arxiv.org/abs/2609.20298v1
• Date: Tue, 18 Aug 2026 00:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.687539
• Title: A Learning Algorithm for Threshold Boolean Networks with Prescribed Fixed Points
• Title（参考訳）: 既定固定点を有する閾値ブールネットワークの学習アルゴリズム
• Abstract要約: 本稿では,しきい値ブールネットワーク(TBN)を所定の定点集合で推定する学習アルゴリズムを提案する。 提案手法では, 固定点保存を共同で実施し, 突発的引き金のペナルティ化, バイナリ出力の促進, およびL1正則化による空間性向上を行う。
• 参考スコア（独自算出の注目度）: 1.5229257192293202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a learning algorithm for inferring threshold Boolean networks (TBNs) with a prescribed set of fixed points. The proposed method employs a custom differentiable loss function that jointly enforces fixed point preservation, penalizes spurious attractors, encourages binary outputs, and promotes sparsity through L1 regularization. Applied to the FOS-GRN model of Arabidopsis thaliana, the approach achieved perfect reconstruction (i.e., all 10 desired fixed points and no spurious ones) in 5 out of 30 independent runs, recovering on average 8.53 $\pm$ 0.90 correct fixed points with no spurious attractors. In contrast, standard methods such as the Perceptron and Logistic Regression recovered up to 10 fixed points but introduced between 8 and 31 spurious ones. An additional analysis varying the sparsity coefficient ($λ$) confirmed that the method's performance and the structural properties of the inferred networks remain robust within a practical range (up to 0.01) of regularization strengths. Overall, the results demonstrate the effectiveness and stability of the proposed algorithm in capturing meaningful network dynamics under prescribed dynamical constraints.
• Abstract（参考訳）: 本稿では,しきい値ブールネットワーク(TBN)を所定の定点集合で推定する学習アルゴリズムを提案する。 提案手法では, 固定点保存を共同で実施し, 突発的引き金のペナルティ化, バイナリ出力の促進, およびL1正則化による空間性向上を行う。 アラビドプシス・タリアナのFOS-GRNモデルに適用されたこの手法は、30回の独立ラン中5回の完全復元(すなわち、すべての所望の固定点と突発的な固定点)を達成し、平均8.53$\pm$ 0.90の正定点を回復した。 対照的に、パーセプトロンやロジスティック・レグレッションのような標準的な手法は、最大で10点まで回復したが、8点から31点の間に導入された。 余剰係数 (λ$) を変化させたさらなる分析により、この手法の性能と推定されたネットワークの構造特性が、正規化強度の実用範囲(最大0.01)内で頑健であることが確認された。 全体として,提案アルゴリズムの有効性と安定性は,所定の動的制約の下で有意なネットワークダイナミクスを捉える上で有効であることを示す。

関連論文リスト

• The Magnitude Mirage: Rethinking Confidence for Reasoning-Intensive Retrieval [22.82938587928396]
  多くのRAGシステムは、生の類似度スコアをしきい値にし、スコアの大きさを信頼信号として暗黙的に扱うことにより、検索停止を実装している。 クエリはセマンティックマッチング以上の推論を必要とするため,このプラクティスは体系的に劣化することを示す。 計算コストのかかる代替手段を使わずにこの問題に対処するため、我々は3つの認知層にわたる6つのゼロコストクエリパフォーマンス予測(QPP)メトリクスを大規模に検討した。
  論文  参考訳（メタデータ） (2026-09-14T13:49:24Z)
• Distribution-Aware Robust Bilevel Optimization: Quantile-Guided Huber Updates in Two-Timescale Stochastic Approximation [16.106678611834102]
  双レベル最適化(BLO)は階層的な決定には基本的だが、重み付き雑音下での臨界不安定性に悩まされている。 既存の技術は通常、等級チェックに依存しており、情報的幾何学的信号と外れ値の区別に失敗する。
  論文  参考訳（メタデータ） (2026-06-21T10:57:37Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• CosineGate: Semantic Dynamic Routing via Cosine Incompatibility in Residual Networks [0.0]
  残余ネットワークにおける動的ルーティングのためのエンドツーエンドの微分可能なアーキテクチャであるCosineGateを紹介する。 CosineGateは、自己教師型スキップ信号としてアイデンティティと残像表現のコサイン非互換性を使用する。
  論文  参考訳（メタデータ） (2025-12-21T18:26:18Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Robust Learning via Persistency of Excitation [4.674053902991301]
  勾配勾配勾配を用いたネットワークトレーニングは力学系パラメータ推定問題と等価であることを示す。 極値理論を用いて対応するリプシッツ定数を推定する効率的な手法を提案する。 我々の手法は、様々な最先端の対数訓練モデルにおいて、対数精度を0.1%から0.3%に普遍的に向上させる。
  論文  参考訳（メタデータ） (2021-06-03T18:49:05Z)
• Pruning Redundant Mappings in Transformer Models via Spectral-Normalized Identity Prior [54.629850694790036]
  スペクトル正規化アイデンティティ事前 (SNIP) は、トランスフォーマーモデルにおける残余モジュール全体をアイデンティティマッピングに向けてペナライズする構造化プルーニング手法である。 5つのGLUEベンチマークタスクでBERTを用いて実験を行い、SNIPが同等の性能を維持しながら効率的な刈り取り結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-10-05T05:40:56Z)

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。