論文の概要: Continual Learning for Reliable In-Sequence Molecular Communication

• arxiv url: http://arxiv.org/abs/2610.20426v1
• Date: Wed, 14 Oct 2026 16:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.248899
• Title: Continual Learning for Reliable In-Sequence Molecular Communication
• Title（参考訳）: 信頼性のあるインシーケンス分子通信のための連続学習
• Abstract要約: Affine Memory Replay (AMR) は、生物ナノマシン間の通信性能を推定するために連続学習(CL)モデルを構築する。 AMRは過去のシミュレーションサンプルを格納し、過去のサンプル間の補間を通して追加の再生サンプルを合成する。 実験結果から,AMRは既存のCL法よりも高い性能を示し,全体の推定精度を維持した。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers reliable in-sequence molecular communication, where bio-nanomachines exchange molecule-encoded information in a specified order, and investigates a new simulation-based method to incrementally evaluate communication protocols by gradually increasing the complexity of experimental settings. The proposed method, called Affine Memory Replay (AMR), builds a continual learning (CL) model to estimate communication performance between bio-nanomachines. AMR stores past simulation samples and synthesizes additional replay samples through interpolation and extrapolation between past samples. Through incremental performance estimation tasks, it replays both past and synthetic samples to regularize model updates, helping the model adapt to new experimental settings while retaining knowledge from earlier ones. Experimental results show that AMR significantly outperforms existing CL methods in maintaining overall estimation accuracy across sequentially learned estimation tasks. It effectively balances memory stability and learning plasticity under moderate training cost.
• Abstract（参考訳）: 本稿では, 生体ナノマシンが分子エンコードされた情報を所定の順序で交換する, 信頼性の高いインシーケンス分子通信について考察し, 実験条件の複雑さを徐々に増大させることで, 通信プロトコルを段階的に評価する新しいシミュレーション手法を提案する。 提案手法はAffine Memory Replay (AMR) と呼ばれ,生物ナノマシン間の通信性能を推定するための連続学習(CL)モデルを構築している。 AMRは過去のシミュレーションサンプルを格納し、過去のサンプル間の補間と補間を通じて追加の再生サンプルを合成する。 インクリメンタルなパフォーマンス推定タスクを通じて、過去のサンプルと合成サンプルの両方を再生してモデル更新を規則化し、モデルが以前のモデルからの知識を維持しながら、新しい実験的な設定に適応するのに役立つ。 実験結果から,AMRは逐次学習した推定タスクの全体推定精度を維持する上で,既存のCL法よりも有意に優れていた。 メモリの安定性と可塑性の学習を適度なトレーニングコストで効果的にバランスさせる。

関連論文リスト

• SNR-ST-Mix: Sample-specific Neighborhood Regression Mixup for Augmented Spatial Transcriptomics Imputation with Deep Neural Network [3.6332654414380214]
  SNR-ST-Mixは空間転写学データのための幾何学的・表現的データ拡張フレームワークである。 スポットのk-アネレスト空間近傍への混合を制約し、表現の類似性に基づいた重みを適応的に実現する。 アーキテクチャの変更や追加の計算を必要とせずに、従来の拡張メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-07T16:07:51Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Continual Learning of Feedback-based Molecular Communication [1.1470070927586018]
  本稿では,連続学習(CL)アルゴリズムを利用した新たな性能推定手法を提案し,評価する。 プロトコルを様々な実験環境で逐次検討するため,提案したCLに基づく性能推定器は,一連の未経験推定タスクを漸進的に学習する。
  論文  参考訳（メタデータ） (2026-05-01T18:33:03Z)
• Strategies to Minimize Out-of-Distribution Effects in Data-Driven MRS Quantification [16.060904490566383]
  磁気共鳴分光法(MRS)における代謝物定量化のためのデータ駆動型およびモデルベース戦略を系統的に比較した。 教師付き学習はトレーニング分布と同様のスペクトルの精度を達成したが,トレーニング分布を超えて外挿した場合に顕著な劣化が認められた。 テスト時間適応は、OoD効果に対してより弾力性を示し、自己教師型学習は中間的性能を達成した。
  論文  参考訳（メタデータ） (2025-11-28T12:33:05Z)
• Reinforced sequential Monte Carlo for amortised sampling [49.92678178064033]
  我々は、最大エントロピー強化学習(MaxEnt RL)により訓練されたシーケンシャルモンテカルロ(SMC)とニューラルシーケンシャルサンプリングとの接続を述べる。 本稿では,提案関数とツイスト関数の安定な連成訓練手法と,トレーニング信号のばらつきを低減するための適応重み付け方式について述べる。
  論文  参考訳（メタデータ） (2025-10-13T17:59:11Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Combining data assimilation and machine learning to emulate a dynamical model from sparse and noisy observations: a case study with the Lorenz 96 model [0.0]
  この方法は、アンサンブルカルマンフィルタとニューラルネットワークを反復的にデータ同化ステップで適用することで構成される。 データ同化は、代理モデルとスパースデータとを最適に組み合わせるために用いられる。 出力分析は空間的に完全であり、サロゲートモデルを更新するためのニューラルネットワークによるトレーニングセットとして使用される。 カオス的な40変数Lorenz 96モデルを用いて数値実験を行い、提案手法の収束と統計的スキルの両立を証明した。
  論文  参考訳（メタデータ） (2020-01-06T12:26:52Z)

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。