Jun, 2024

生物序列优化算法的闭合形式测试函数

PDF
TL;DR在生物物理序列优化方面，提出了一种新的封闭测试函数类 (Ehrlich 函数) 以及相似几何性质，通过实证结果证明这些函数是有趣的研究对象且使用标准的遗传优化基准方法解决它们是非平凡的。
machine learningbiophysical databenchmarksgeometric similaritiesehrlich functions
发现论文，激发创造
  • 具有可保证灵活性的生物序列核函数

    应用机器学习于生物序列 ——DNA、RNA 和蛋白质 —— 具有巨大的潜力推进人类的健康、环境可持续性和基础生物学的理解。因此，本研究旨在探讨这一问题领域中的挑战并提供修改现有基于核的机器学习方法以确保其准确性和可靠性的简单有效的方式。

    Apr, 2023

  • 机器学习优化算法和元启发式算法的 315 个基准和测试函数的综述与数学及可视化描述

    综述 300 多个用于评估优化和元启发式算法的基准函数，列出了最常用的 25 个函数，并提出了两个新颖、高维、动态且具有挑战性的函数用于测试新算法，同时指出了当前基准化方法的不足之处，并提出了未来研究的方向。

    Jun, 2024

  • 高维贝叶斯优化离散序列的调查与基准

    通过统一的框架和标准化的黑盒函数，针对化学和生物学的实际应用领域，该论文研究了贝叶斯优化的高维优化方法和技术难点，并提供了易于拓展的软件库，以方便实践者更好地应用于离散优化问题。

    Jun, 2024

  • 元强化学习和贝叶斯优化设计生物序列

    本文通过 MetaRLBO，提出了一种对于生物序列的加速设计方法，使用 Meta-Reinforcement Learning 训练自回归生成模型，以 Bayesian Optimization 为辅助选择出有前途的序列，获得较强的鲁棒性和相对具有竞争力的结果。

    Sep, 2022

  • 面向生物序列设计的基于种群的黑盒优化

    该研究论文研究了如何通过黑盒优化算法设计新的生物序列，提出了一种名为 P3BO 的人口基础的黑盒优化算法，并结合进化优化算法在线调整超参数，实验证明 P3BO 可以提供更高质量、多样化的序列，是将机器学习应用于实际序列设计的重要步骤。

    Jun, 2020

  • 转移学习贝叶斯优化在诊断测定中设计竞争 DNA 分子

    通过结合转移学习代理模型和贝叶斯优化，本文提出了一种实现工程生物分子装置的定制生物序列开发的设计实验工作流程，旨在减少实验数量并提高预测准确性。

    Feb, 2024

  • 快速和功能性的结构化数据生成器基于非平衡物理学

    本研究提出了一种新的训练算法，利用非平衡效应来提高受限玻尔兹曼机的能力，并成功地应用于四种不同类型的数据以产生高质量的合成数据。

    Jul, 2023

  • 离散贝叶斯优化的连续放松

    通过连续松弛目标函数，我们提出了一种在贝叶斯优化中高效优化离散数据的方法，并证明了推理和优化是可计算的。我们特别考虑了少量观测和严格预算的优化领域，以优化昂贵的生物化学属性评估中的蛋白质序列。我们的方法具有两个优势：将问题在连续设置中处理，并直接融入可用的序列先验知识。具体来说，我们利用了问题领域上可用和学习到的分布来加权 Hellinger 距离，从而得到一个协方差函数。我们证明了得到的采样函数可以通过连续或离散优化算法进行优化，并在两个生物化学序列优化任务上进行了实证评估。

    Apr, 2024

  • 组合结构的贝叶斯优化

    该篇论文提出了一种基于半定规划的自适应、可扩展模型的算法，用于优化机器学习、离散优化和贵重求值黑盒函数所需的组合结构，该算法在实验中表现优于组合和贝叶斯优化等其他方法。

    Jun, 2018

  • 对比损失作为全局上表观互作的广义模型

    通过对全局阴性相互作用模型使用对比损失函数技术，文章提出并验证该技术可以在有限的数据量下，精确地估计排名函数，并具有在常规均方误差损失函数无效的情况下提高性能的实际效用。

    May, 2023