- Вывод смешанных графических моделей для дихотомических фенотипов с использованием марковской случайной модели поля (arXiv)
Автор: Jaehyun Park, Sungho Won.
Аннотация: В этой статье мы предлагаем новый метод, названный объединенной смешанной графической моделью (FMGM), который может вывести сетевые структуры для дихотомических фенотипов. Мы предположили, что взаимодействие различных омик-маркеров связано со статусом заболевания, и предложили метод, основанный на FMGM, для обнаружения различий в сети связанных омик-маркеров. Статистические модели сетей были основаны на попарной марковской модели случайных полей, и были добавлены штрафные функции для минимизации эффекта разреженности в сетях. Для оптимизации целевой функции использовали метод быстрого проксимального градиента (PGM). Достоверность метода была измерена с использованием синтетических наборов данных, которые имитируют структуры сети со степенным законом, и было обнаружено, что FMGM продемонстрировал более высокую производительность, особенно с точки зрения оценок F1, по сравнению с предыдущим методом, в котором сети выводились последовательно (0,392 и 0,546). FMGM показал лучшие результаты не только в выявлении различий (0,217 и 0,410), но и в определении сетей (0,492 и 0,572). Предложенный метод был применен к мультиомным профилям 6-месячных детей с атопическим дерматитом (АД) и без него, и были обнаружены различные корреляции между обилием микробных генов, связанных с биосинтезом каротиноидов, и деградацией РНК в зависимости от статуса заболевания, что позволяет предположить важность метаболизма, связанного с окислительным стрессом и балансом микробной РНК.
2.Квантовый алгоритм изучения структуры марковских случайных полей по свойствам теории информации (arXiv)
Автор: Лимин Чжао, Линь-чунь Ван, Мин-Син Луо.
Аннотация: Вероятностные графические модели играют решающую роль в машинном обучении и имеют широкое применение в различных областях. Одним из основных подмножеств являются неориентированные графические модели, также известные как марковские случайные поля. В этой работе мы исследуем методы изучения структуры марковских случайных полей на квантовых компьютерах. Мы предлагаем квантовый алгоритм изучения структуры r-мудрого марковского случайного поля с графом ограниченной степени, лежащим в основе, на основе почти оптимального классического жадного алгоритма. Квантовый алгоритм обеспечивает полиномиальное ускорение по сравнению с классическим аналогом по количеству переменных. Наша работа демонстрирует потенциальные преимущества квантовых вычислений перед классическими вычислениями при решении некоторых задач машинного обучения.
