研究人员推出bioMoR，一个将结构化生物学知识整合到用于基因组学习的Mixture-of-Recursions (MoR)模型中的新框架。该方法通过自适应地将计算路由到相关基因或通路来提高效率。与现有的MoR基线相比，bioMoR在宏观F1和平衡准确率等性能指标上显示出显著的改进，同时还减少了参数数量和计算负载。该框架通过突出选定的标记基因和通路以及揭示计算资源的分配方式，提供了生物学可解释性。 AI
影响 bioMoR通过提高用于组学数据分析的AI模型的效率和可解释性，有可能加速基因组学领域的发现。
排序理由 该集群描述了一篇详细介绍用于基因组学习的新型AI框架的研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.06727v1 Announce Type: new Abstract: Transformer models for high-dimensional omics analysis process thousands of genes or pathways, although only a subset requires deep computation. Mixture-of-Recursions (MoR) improves efficiency through adaptive token-choice or expert…
Transformer models for high-dimensional omics analysis process thousands of genes or pathways, although only a subset requires deep computation. Mixture-of-Recursions (MoR) improves efficiency through adaptive token-choice or expert-choice routing. We propose bioMoR, which, to th…