細菌毒性蛋白質予測におけるマルチタスク学習実現のための要因進化に基づく組成モデル【JST・京大機械翻訳】

Singh Deepak; Singh Pradeep; Singh Sisodia Dilip

文献

J-GLOBAL ID：202002246358337405 整理番号：20A0017154

細菌毒性蛋白質予測におけるマルチタスク学習実現のための要因進化に基づく組成モデル【JST・京大機械翻訳】

Compositional model based on factorial evolution for realizing multi-task learning in bacterial virulent protein prediction

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=20A0017154&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A0017154&from=J-GLOBAL&jstjournalNo=T0685A") }}

著者 (3件)： , ,
資料名：
巻： 101 ページ： Null 発行年： 2019年
JST資料番号： T0685A ISSN： 0933-3657 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：オランダ (NLD) 言語：英語 (EN)

マルチタスク学習の能力は,生物情報学とパターン認識に限定されていないが,多様化された応用により機械学習分野におけるそのsoreを促進した。バイオインフォマティクスは,マルチタスク学習(MTL)法のための広範囲の応用を提供する。細菌毒性蛋白質の同定は,薬物とワクチンの設計のための病原性機構の理解に役立つそのような応用の一つである。しかし,信頼できる予測モデルにおける制限因子は実験的に検証された訓練データの不足である。マルチタスク学習シナリオにおける問題を扱うことは,有益である。限られたラベル付きデータを有するターゲットドメインの予測における関連多重ドメインからの補助データの再利用性は,マルチタスク学習モデルの主要目的である。複数の関連データの融合により,特徴間の確率分布が変化する傾向がある可能性がある。したがって,特徴分布の間の変化を扱うために,本論文は,2つの原理に基づくマルチタスク学習フレームワークのための複合モデルを提案する。それは,タスク間の関係を同定するための共有パラメータを発見し,関連タスクの間の特徴の一般的な基礎表現である。マルチカーネルおよび要因進化を通して,提案フレームワークは,共有カーネルパラメータおよびタスク間で一般的な潜在的特徴表現を発見することができた。提案したモデルの利点を調べるために,広範な実験を,VirulentPredWebサーバにおける自由に利用可能なデータセット上で実行した。その結果に基づいて,マルチタスク学習モデルが従来の単一タスクモデルよりも優れていることを見出した。さらに,タスク間の分布が高い場合には,複数のモデルを訓練することにより,わずかに良好な予測が得られるという知見を得た。しかしながら,データ分布差が低い場合には,マルチタスク学習は個々の学習よりも著しく優れている。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

人工知能 , 医用情報処理

, , , , , , ,

前のページに戻る