論文の概要: Deep Generative Models for Phylogenetic Inference with Complex Evolutionary Processes

• arxiv url: http://arxiv.org/abs/2610.19053v1
• Date: Tue, 13 Oct 2026 18:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.762959
• Title: Deep Generative Models for Phylogenetic Inference with Complex Evolutionary Processes
• Title（参考訳）: 複雑な進化過程をもつ系統推定のための深部生成モデル
• Abstract要約: 配列からの系統樹の推測は、進化的関係を理解する上で中心的な役割を果たす。 現実的な進化モデルでは、従来の手法による推論は違法に高価、不正確、あるいは不可能である。 ここでは、木上の条件付き生成モデルの柔軟なファミリーを示す。
• 参考スコア（独自算出の注目度）: 40.70415776477122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference of phylogenetic trees from sequences plays a central role in understanding evolutionary relationships, with applications ranging from tracking pathogen spread to reconstructing the history of life. Conventionally, practitioners obtain posteriors over trees using likelihood-based methods like MCMC. However, likelihoods are only available for simple evolutionary models with restrictive assumptions. For realistic evolutionary models, inference using conventional methods is prohibitively expensive, inaccurate, or even impossible. In practice, practitioners settle for using as flexible a conventional method as possible, even though they expect it is misspecified. In principle, we could use simulation-based inference: simulate tree and sequence data from an evolutionary model and train a neural network to predict the posterior over trees given sequences. However it is a mathematical challenge to represent and train complex posterior distributions over trees. Here we present a flexible family of conditional generative models over trees. Our models iteratively build trees using three natural paradigms -- top-down, middle-out, or bottom-up -- and are trained using a discrete diffusion framework. For real and synthetic datasets of up to $65$ taxa and $>10^5$ tokens, our models recover MCMC posteriors much more accurately than the previous state-of-the-art simulation-based method Phyloformer 2. Finally, we compare to IQ-Tree, a popular flexible-but-misspecified conventional method. Our models match its tree estimates on simple data, but on more realistic data, our method is reliably more accurate.
• Abstract（参考訳）: 配列からの系統樹の推測は、病原体の拡散を追跡することから生命の歴史を再構築することまで、進化的関係を理解する上で中心的な役割を担っている。 伝統的に、実践者はMCMCのような可能性に基づく方法を用いて、木の上の後部を入手する。 しかし、確率は制限的な仮定を持つ単純な進化モデルでのみ利用できる。 現実的な進化モデルでは、従来の手法による推論は違法に高価、不正確、あるいは不可能である。 実際には、過ちを前提にしながらも、可能な限りフレキシブルな方法を使うことに決着をつける。 原則として、進化モデルからツリーとシーケンスデータをシミュレートし、ニューラルネットワークをトレーニングして、与えられたツリー上の後部を予測する。 しかし、木上の複雑な後続分布を表現し、訓練することは数学的に困難である。 ここでは、木上の条件付き生成モデルの柔軟なファミリーを示す。 私たちのモデルは、3つの自然なパラダイム(トップダウン、ミドルアウト、ボトムアップ)を使って木を反復的に構築します。 最大65ドルの分類と10^5ドルのトークンからなる実・合成データセットの場合、我々のモデルは従来の最先端のシミュレーションベース手法であるPhyloformer 2よりもはるかに正確にMCMC後部を復元する。 最後に、一般的なフレキシブルだがミス仕様の従来手法であるIQ-Treeと比較する。 我々のモデルは単純なデータに基づいて木の推定値と一致するが、より現実的なデータでは、我々の方法の方が確実に正確である。

関連論文リスト

• Autoregressive Frontier Expansion: Growing Trees with Graph Machine Learning [2.931240348160871]
  木のような分岐構造は、植物から神経細胞、血管、呼吸木に至るまで、自然界で一般的である。 本稿では,反復的な拡張プロセスを通じて木を構築する生成フレームワークであるAutoregressive Frontier Expansionを提案する。 本研究では, 非条件, クラス条件, 形態素誘導生成における皮質ニューロンと植物樹について検討した。
  論文  参考訳（メタデータ） (2026-09-29T20:29:07Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• PhyloGen: Language Model-Enhanced Phylogenetic Inference via Graph Structure Generation [50.80441546742053]
  系統樹は種間の進化的関係を解明する。 伝統的なマルコフ連鎖モンテカルロ法は、緩やかな収束と計算上の負担に直面している。 我々は、事前学習されたゲノム言語モデルを活用する新しい方法であるPhyloGenを提案する。
  論文  参考訳（メタデータ） (2024-12-25T08:33:05Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• ARTree: A Deep Autoregressive Model for Phylogenetic Inference [6.935130578959931]
  グラフニューラルネットワーク(GNN)に基づく系統推定のための深層自己回帰モデルを提案する。 本研究では,本手法の有効性と効率を,実データツリーのトポロジー密度推定と変分系統推定問題のベンチマークで実証する。
  論文  参考訳（メタデータ） (2023-10-14T10:26:03Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Learning to Simulate Tree-Branch Dynamics for Manipulation [26.808346972775368]
  そこで本研究では,木枝の動力学をモデル化するために,シミュレーション駆動逆推論手法を提案する。 本モデルでは, 変形軌跡を予測し, 推定の不確かさを定量化し, ベースラインが他の推論アルゴリズムに逆らう場合, 精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-06T05:17:02Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)

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。