ゲノムデータ解析用の高速ニューラルネットワークの研究

用于基因组数据分析的高速神经网络研究

• 批准号: 05254211
• 负责人: 新島 耕一
• 金额: $ 1.92万
• 依托单位: Kyushu Institute of Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas
• 财政年份: 1993
• 资助国家: 日本
• 起止时间: 1993 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-05254211/
• 关键词: 縮小写像型ニューラルネットワーク; 引き込み領域; 最急降下法; 最小化問題

本年度の研究によって得られた結果はつぎのとうりである。1.3層ニューラルネットワークの引き込み領域の導出入力層と中間層と2個の出力ユニットをもつ出力層をもつ3層ニューラルネットワークの結合荷重に、入力層に正データを入力したとき1番目の出力ユニットだけが発火し,負データを入力したときは2番目の出力ユニットだけが発火する条件を不等式制約条件として課し、ネットワークの引き込み領域を縮小写像原理を用いて導いた。2.最急降下法によるネットワークの学習とゲノム情報データ分類システムの構築学習データとして正データと負データを用意した段階では,まだネットワークの結合荷重は一意に決まっていない.したがって,ネットワークが精度の高い分類をおこなうよう,引き込み領域をできるだけ広くするよう決定しなければならない.そこで引き込み領域を広げる条件を,結合荷重に関する汎関数の最小化問題として表した.その際,中間層における出力には何ら制約をもうけていないため,訓練パターンの特徴が中間層の出力に反映するよう結合荷重を決定できる.しかしこのようなネットワークの結合荷重の決定には,これまで用いてきた手法が使えないため,慣性項を付加した最急降下法による縮小写像型ニューラルネットワークの結合荷重の決定手法を開発し,これに基づくゲノム情報データの学習システムを構築した。この方法で,タンパク質符号化領域におけるシグナル配列の有無の判定問題について実験を行なったところ,正の例と負の例に対し,平均72%を越える非常に高い精度でシグナル配列の有無を判定するネットワークが得られることがわかった.また,この方法による結合荷重の決定は,誤差逆伝搬法などに比較してもはるかに速く,大量ゲノム情報処理に対して十分な実用性があると考えられる.

The られた results obtained from the <s:1> study によって of this year are によって ぎ ぎ ぎ とう である である である. 1.3 layer ニ ュ ー ラ ル ネ ッ ト ワ ー ク の lead き 込 み field の export layer into force と middle-tier と 2 の output ユ ニ ッ ト を も つ output layer を も つ 3 layer ニ ュ ー ラ ル ネ ッ ト ワ ー ク の combined load に, layer into force に is デ ー タ を し into force た と き 1 eye の output ユ ニ ッ ト だ け が 発 し fire, negative デ ー タ を し into force た と き は 2 times の out Force ユ ニ ッ ト だ け が 発 fire す る を inequality restriction condition と し て し, ネ ッ ト ワ ー ク の lead き 込 み field を principle of narrow write like を using い て guide い た. 2. The most urgent fall method に よ る ネ ッ ト ワ ー ク の learning と ゲ ノ ム intelligence デ ー タ classification シ ス テ ム の constructing learning デ ー タ と し て is デ ー タ と negative デ ー タ を intention し た Duan Jie で は, ま だ ネ ッ ト ワ ー ク の is combined with a load は meaning に definitely ま っ て い な い. し た が っ て, ネ ッ ト ワ ー ク が の い high classification precision を お こ な う よ う, lead き 込 み field を で き る だ け hiroo く す る よ う decided し な け れ ば な ら な い. そ こ で lead き 込 み field を hiroo げ を る conditions, combined with load に masato す る number of generic masato の minimization problem と し て table し た. そ の interstate, middle tier に お け る output に は what ら restrict を も う け て い な い た め, training パ タ ー ン の, 徴 が middle-tier の output に reflect す る よ う combined load を decided で き る. し か し こ の よ う な ネ ッ ト ワ ー ク の combined load の decided に は, こ れ ま で with い て き た gimmick が make え な い た め, inertia item を plus し た most urgent fall method に よ る narrow type write like ニ ュ ー ラ ル ネ ッ ト ワ ー ク の with load の decision technique を open 発 し, こ れ に base づ く ゲ ノ ム intelligence デ ー タ の learning Youdaoplaceholder0 builds た. こ の way で, タ ン パ ク qualitative numeric field に お け る シ グ ナ ル go の whether の decision problem に つ い て be 験 を line な っ た と こ ろ, is の patients と negative の に し seaborne, on average, 72% を more え る に い very high precision で シ グ ナ ル go の presence of を determine す る ネ ッ ト ワ ー ク が have ら れ る こ と が わ か っ た. ま た, こ の way に よ る Combined with load の は decision, method of error inverse 伝 move な ど に compare し て も は る か に く, a large number of ゲ ノ ム intelligence 処 Richard に し seaborne て very な be use sex が あ る と exam え ら れ る.

项目成果

A.Shinohara,S.Shimozono,T.Uchida,S.Miyano,S.Kuhara,S.Arikawa: "Running learning systems in parallel for machine discovery from sequences" Proceedings of Genome Informatics Workshop. 74-83 (1993)

A.Shinohara、S.Shimozono、T.Uchida、S.Miyano、S.Kuhara、S.Arikawa：“并行运行学习系统以从序列中进行机器发现”基因组信息学研讨会论文集。

K.Niijima,S.Shimozono: "Learning algorithms of three layered neural networks for sequence classification" Proceedings of Genome Informatics Workshop. 219-223 (1993)

K.Niijima，S.Shimozono：“用于序列分类的三层神经网络的学习算法”基因组信息学研讨会论文集。

K.Niijima: "Domains of attraction in heteroassociative neural networks and a learning algorithm" Proceedings 1993 Annual Conference of Japanese Neural Network Society. 80-81 (1993)

K.Niijima：“异关联神经网络中的吸引力域和学习算法”日本神经网络学会 1993 年年会论文集。