Circuit design in biology and machine learning. II. Anomaly detection
Steven A. Frank
异常检测是机器学习中一个完善的领域,它识别偏离典型模式的观察结果。 异常检测的原理可以增强我们对生物系统如何识别和响应非典型环境输入的理解。 然而,这种方法在细胞和生理回路的分析中受到的关注有限。 这项研究建立在机器学习技术的基础上 - 例如减少尺寸,增强决策树和异常分类 - 以开发生物电路的概念框架。 一个问题是,机器学习电路往往不现实地大,供细胞和生理系统使用。 因此,我专注于受机器学习概念启发的最小电路,降低到蜂窝规模。 通过说明模型,我证明小电路可以提供异常的有用分类。 该分析还展示了机器学习的原理 - 例如时间和时间异常检测,多变量信号集成和分层决策级联 - 如何为细胞电路的设计和演化提供假设。 这种跨学科的方法增强了我们对细胞回路的理解,并突出了生物和人工系统计算策略的普遍性。
Anomaly detection is a well-established field in machine learning, identifying observations that deviate from typical patterns. The principles of anomaly detection could enhance our understanding of how biological systems recognize and respond to atypical environmental inputs. However, this approach has received limited attention in analyses of cellular and physiological circuits. This study builds on machine learning techniques – such as dimensionality reduction, boosted decision trees, and ano...
