1. Прогноз кросс-фитнеса для адаптивной эволюции к различным условиям окружающей среды: следствие редукции фенотипических измерений (arXiv)
Автор:Такуя У. Сато, Кунихико Канеко
Аннотация:Как адаптивная эволюция к одному стрессу окружающей среды улучшает или подавляет адаптацию к другому, является важной проблемой эволюционной биологии. Например, в микробиологии эволюция бактерий, устойчивых к различным антибиотикам, является критической проблемой, которая исследовалась как перекрестная устойчивость. Фактически, недавние эксперименты на бактериях показали, что перекрестная устойчивость их эволюции к различным стрессовым средам может быть предсказана по изменениям их транскриптома при воздействии стресса. Однако до сих пор нет исследований, объясняющих возможную теоретическую связь между перекрестной резистентностью и изменениями в транскриптоме, вызывающими многомерные изменения фенотипа клеток. Здесь мы показываем, что существует корреляция между изменением приспособленности в эволюции стрессоустойчивости и реакцией на окружающую среду, используя клеточную модель с многомерным фенотипом и теоретически устанавливая взаимосвязь. Настоящие результаты позволяют прогнозировать эволюцию на основе информации о транскриптоме в ответ на различные стрессы до эволюции. Обсуждается актуальность этого для экспериментов по микробиологической эволюции.
2. Ускорение глубокого развертывания сетей за счет уменьшения размерности (arXiv)
Автор:Джунци Тан, Субхадип Мукерджи, Карола-Бибиан Шенлиб
Аннотация: В этой работе мы предлагаем новую парадигму проектирования эффективных сетей с глубоким развертыванием с использованием схем уменьшения размерности, включая аппроксимацию минипакетного градиента и наброски операторов. Сети глубокого развертывания в настоящее время являются самыми современными решениями для визуализации обратных задач. Однако для многомерных задач визуализации, особенно рентгеновской КТ и МРТ, схемы глубокого развертывания обычно становятся неэффективными как с точки зрения памяти, так и с точки зрения вычислений из-за необходимости многократного вычисления высокоразмерных прямых и сопряженных операторов. Недавно исследователи обнаружили, что такие ограничения можно частично устранить, развернув стохастический градиентный спуск (SGD), вдохновленный успехом стохастической оптимизации первого порядка. В этой работе мы продолжаем исследовать это направление и предлагаем сначала более выразительную и практичную стохастическую первично-двойственную развертку, основанную на современной сети Learned Primal-Dual (LPD), а также дальнейшее ускорение на стохастической первично-двойственной сети. - двойное развертывание с использованием методов рисования для аппроксимации продуктов в многомерном пространстве изображения. Скетчинг оператора можно применять совместно со стохастической разверткой для наилучшего ускорения и сжатия. Наши численные эксперименты по реконструкции рентгеновского КТ-изображения демонстрируют замечательную эффективность наших схем ускоренного развертывания.
3. Контролируемое уменьшение размерности и классификация с помощью сверточных автоэнкодеров (arXiv)
Автор: Иоаннис А. Неллас, Сотирис К. Тасулис, Вассилис П. Плагианакос, Спирос В. Георгакопулос
Аннотация: Совместная оптимизация ошибки реконструкции и классификации является сложной невыпуклой задачей, особенно когда используется нелинейное отображение. Чтобы преодолеть это препятствие, предлагается новая стратегия оптимизации, в которой сверточный автоэнкодер для уменьшения размерности и классификатор, состоящий из полносвязной сети, объединяются для одновременного получения контролируемого уменьшения размерности и прогнозирования. Оказалось, что эта методология также может быть очень полезна для обеспечения объяснимости архитектур глубокого обучения. Кроме того, полученное скрытое пространство, оптимизированное для задачи классификации, можно использовать для улучшения традиционных интерпретируемых алгоритмов классификации. Экспериментальные результаты показали, что предложенная методология достигла конкурентоспособных результатов по сравнению с современными методами глубокого обучения, будучи гораздо более эффективной с точки зрения подсчета параметров. Наконец, было эмпирически подтверждено, что предложенная методология вводит расширенную объяснимость не только в отношении структуры данных через созданное скрытое пространство, но и в отношении поведения классификации.
