Grenada
PulseAugur coverage of Grenada — every cluster mentioning Grenada across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 CoDiffGRN 框架推进了基因调控网络推断
研究人员推出了一种用于从单细胞转录组数据推断基因调控网络 (GRN) 的新颖框架 CoDiffGRN。该新方法通过将 GRN 推断重新构建为归纳式、以排名为中心的图补全问题，解决了现有方法的局限性。CoDiffGRN 利用协同演化离散扩散过程来模拟基因表达状态和调控相互作用，从而实现稳健的泛化能力，并改进了对排名靠前的调控相互作用的发现，特别是对于先前未见的基因。
-
新研究分析离散参数空间中的GD/SGD稳定性
研究人员分析了梯度下降（GD）和随机梯度下降（SGD）算法在应用于具有舍入的离散参数空间时的泛化误差和稳定性。他们的发现表明，确定性舍入会恶化GD的泛化误差，增加其速率，并导致空泛的稳定性界限。相比之下，具有确定性舍入的SGD展示了非平凡的均匀稳定性保证，其界限与实值优化不同，并取决于迭代次数和维度。
-
新型Transformer模型增强基因调控网络推断
研究人员开发了EpiAwareNet，一个利用多组学Transformer从单细胞数据推断基因调控网络（GRNs）的新颖框架。该方法整合了转录组学和染色质可及性信息，克服了数据稀疏性和依赖固定基因-峰值链接等挑战。EpiAwareNet采用基因-峰值交叉注意力模块进行自适应信号聚合，并整合来自批量数据的先验GRN作为弱监督，增强了生物学合理性，并提高了现有方法的重建准确性。
-
研究人员探索复值再生核希尔伯特空间中的复杂SGD和方向性偏差
研究人员提出了一种新颖的随机梯度下降（SGD）变体，专为复值神经网络设计。这种新方法称为复杂SGD，即使没有解析度约束也能提供收敛保证，这与实值领域中的进展相呼应。该研究还表明，在实值核回归问题中观察到的方向性偏差特性已扩展到复数域。实证结果展示了复杂SGD在复值再生核希尔伯特空间内的核回归任务中的有效性，能够恢复超振荡函数和Blaschke乘积等特定函数。
-
浅层神经网络通过特征学习学习低度球谐多项式
研究人员开发了一种新颖的方法，使用具有可学习通道注意力的浅层神经网络来高效学习低度球谐多项式。与现有方法相比，该方法显著提高了样本复杂度，仅需要 $n \text{ \textasymp } \Theta(d^{\ell_0}/\eps)$ 个样本。该过程包括两个阶段：首先，一个通道选择算法识别目标函数的次数，然后，标准的梯度下降使用选定的通道训练网络。这项工作标志着在为能够进行特征学习的有限宽度神经网络实现最小最大最优风险界方面取得了重大进展。