抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習は生物学的分野にわたる重要なツールとなり,研究者が大きなデータセットから結論を引き出すことを可能にし,複雑で不均一な生物学的データを解釈するための新しい機会を開く。機械学習の急速な成長に加えて,痛みも増大している:よく機能すると思われるいくつかのモデルは,アーチファクトまたは偏ったデータの特徴に依存することが明らかになっている。このフィードは,機械学習モデルが新しい生物学的洞察の創造でモデル性能を最適化するために設計されているという一般的な批判への供給である。したがって,自然の疑問は,本質的に解釈可能か説明可能な機械学習モデルを開発する。本論文では,与えられたインスタンスに対して信頼できる分類を生成する分類器の能力を評価する科学的機械学習研究のための新しい概念である信頼性スコアについて述べた。ゲノムデータにおける選択を検出するための生成分類器であるSWIF(r)を導入したSugden et al.2018における研究に基づき,信頼性スコアの特定の実装を開発した。SWIF(r)信頼性スコア(SRS)を実装し,機械学習における共通課題に直面した場合のSRSの有用性を実証した。1)訓練データには存在しないテストデータに存在する未知のクラス,2)訓練とテストデータの間の全身ミスマッチ,3)いくつかの属性に対する欠測値である試験データの例。種子形態に関する農業データから,UK Biobankにおける22の定量的形質,および個体群の遺伝的シミュレーションおよび1000のゲノムプロジェクトデータから,SRSのこれらの応用を検討した。これらの事例の各々で,SRSのような機械学習のための解釈可能ツールが,研究者がそれらのデータを徹底的にインタロゲートし,強力な機械学習フレームワークとのドメイン特異的知識をペアリングすることを可能にする方法を示す。このツールと周囲の議論は,厳密と生物学的理解を犠牲にすることなく,機械学習の電力を利用するように,生物学的機械学習空間における研究者を支援することを期待する。【JST・京大機械翻訳】