随机谱系的有效重构

IPED2：基于继承路径的复杂谱系重构算法

IPED2: Inheritance Path based Pedigree Reconstruction Algorithm for Complicated Pedigrees

重建一组个体的家谱或系谱重建是遗传学中的一个基本问题。即使对于已知只包含兄弟的数据集，这个问题也是NP难的。最近的一些方法已经发展到准确和有效地重建谱系。然而，这些方法仍然考虑相对简单的谱系，例如，它们不能处理一对个体仅共享一个父母的半同胞情况。在这项工作中，我们提出了一个有效的方法，IPED 2，基于我们以前的工作，它专门针对重建复杂的谱系，包括半同胞。我们注意到，半同胞的存在使得重建问题更具挑战性，这就是为什么以前的方法排除了半同胞的可能性。我们提出了一种新的模型，以及一个有效的图算法和实验表明，我们的算法实现了相对准确的重建。据我们所知，这是第一个方法，能够处理系谱重建的基因型数据的基础上，只有当半同胞存在于任何一代的系谱。

Efficient Reconstruction of Stochastic Pedigrees: Some Steps From Theory to Practice

In an extant population, how much information do extant individuals provide on the pedigree of their ancestors? Recent work by Kim, Mossel, Ramnarayan and Turner (2020) studied this question under a number of simplifying assumptions, including random mating, fixed length inheritance blocks and sufficiently large founding population. They showed that under these conditions if the average number of offspring is a sufficiently large constant, then it is possible to recover a large fraction of the pedigree structure and genetic content by an algorithm they named REC-GEN. We are interested in study…

提高深度网络的泛化能力以实现图像序列的逆重建

Improving Generalization of Deep Networks for Inverse Reconstruction of Image Sequences

深度学习网络在许多图像重建问题中表现出最先进的性能。然而，目前还没有很好地理解表示和学习的属性可以提高网络的泛化能力。在本文中，我们提出的泛化能力的编码器-解码器网络的逆重建可以提高两种手段。首先，从分析学习理论出发，我们从理论上证明了随机潜在空间将提高网络推广到训练分布之外的测试数据的能力。其次，遵循信息瓶颈原理，我们证明了输入数据的潜在表示最小信息量将有助于网络推广到与输出重建无关的看不见的输入变化。因此，我们提出了一个序列图像重建网络优化的变分近似的信息瓶颈原理与随机潜空间。在从体表电位重建心脏跨膜电位序列的应用环境中，我们评估了所提出的网络相对于其确定性对应物的两种类型的泛化能力。结果表明，逆重构网络的泛化能力可以通过随机性和信息瓶颈来提高。

改进序列编码解码网络的泛化能力用于心脏跨膜电位逆成像

Improving Generalization of Sequence Encoder-Decoder Networks for Inverse Imaging of Cardiac Transmembrane Potential

深度学习模型在许多逆重建问题中表现出最先进的性能。然而，人们还没有很好地理解潜在表示的哪些属性可以提高网络的泛化能力。此外，对于时间序列的逆重建，已经提出了有限的模型。在本文中，我们研究了一个序列编码器解码器模型的泛化能力，用于解决时间序列的逆重建。我们的中心假设是网络的泛化能力可以通过1）约束随机性和2）潜在空间中时间信息的全局聚合来提高。首先，借鉴分析学习理论，我们从理论上表明，随机潜在空间将导致提高泛化能力。其次，我们考虑LSTM编码器-解码器架构，该架构从LSTM编码器中的所有最后一层单元压缩全局特征向量。该模型与其他LSTM编码器-解码器架构进行了比较，每个架构都有确定性和随机性版本。结果表明，约束随机性结合隐空间中时间信息的全局聚集，可以提高逆重构网络的泛化能力。

利用随机神经网络对异构数据的多维随机场模型进行高效重构

Efficient reconstruction of multidimensional random field models with heterogeneous data using stochastic neural networks

本文针对多维随机场重构的维数灾难问题，改进基于Wasserstein距离的SNN训练方法，证明有限异构数据下的泛化误差界，通过数值实验验证了方法的有效性与鲁棒性。

基于期望传播的稀疏群贝叶斯特征选择在信号恢复和网络重构中的应用

Sparse-Group Bayesian Feature Selection Using Expectation Propagation for Signal Recovery and Network Reconstruction

我们提出了一种贝叶斯方法的特征选择中存在的分组信息之间和组内水平的稀疏性。而不是使用随机算法的参数推断，我们采用期望传播，这是一个确定性和快速的算法。在存在分组信息的情况下，用于特征选择的可用方法具有许多简短的描述：一方面，Lasso方法虽然快速，但低估了回归系数，并且没有很好地利用分组信息，另一方面，贝叶斯方法虽然在参数估计中准确，但通常依赖于随机且缓慢的吉布斯抽样过程来恢复参数，使得它们例如对于基因网络重建是不可行的。我们的方法的贝叶斯稀疏组框架与期望传播，使我们不仅能够恢复准确的参数估计信号恢复问题，但也使得有可能将此贝叶斯框架的大规模网络重建问题。所提出的方法是通用的，但在应用方面，我们专注于基因调控网络。我们的模拟和实验数据表明，该方法构成了一个很好的选择网络重建的正确选择的功能，预测新的数据和合理的计算时间的数量。