ترجمه فارسی مقاله یادگیری نمایش‌های پایدار ساختاری برای ذخیره‌سازی بدون اتلاف چندوجهی DNA

چکیده

In this paper, we present Reed-Solomon coded single-stranded representation learning (RSRL), a novel end-to-end model for learning representations for multi-modal lossless DNA storage. In contrast to existing learning-based methods, the proposed RSRL is inspired by both error-correction codec and structural biology. Specifically, RSRL first learns the representations for the subsequent storage from the binary data transformed by the Reed-Solomon codec. Then, the representations are masked by an RS-code-informed mask to focus on correcting the burst errors occurring in the learning process. With the decoded representations with error corrections, a novel biologically stabilized loss is formulated to regularize the data representations to possess stable single-stranded structures. By incorporating these novel strategies, the proposed RSRL can learn highly durable, dense, and lossless representations for the subsequent storage tasks into DNA sequences. The proposed RSRL has been compared with a number of strong baselines in real-world tasks of multi-modal data storage. The experimental results obtained demonstrate that RSRL can store diverse types of data with much higher information density and durability but much lower error rates.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یادگیری بازنمایی تک رشته ای رمزگذاری شده Reed-Solomon (RSRL) را ارائه می دهیم ، یک مدل جدید پایان به پایان برای یادگیری برای ذخیره سازی DNA بدون ضرر چند منظوره.بر خلاف روشهای مبتنی بر یادگیری موجود ، RSRL پیشنهادی از هر دو کد اصلاح خطا و زیست شناسی ساختاری الهام گرفته شده است.به طور خاص ، RSRL ابتدا بازنمایی ها را برای ذخیره سازی بعدی از داده های باینری تبدیل شده توسط کدک Reed-Solomon می آموزد.سپس ، بازنمودها توسط یک ماسک آگاهانه RS-Code پوشانده می شوند تا بر تصحیح خطاهای پشت سر هم در فرایند یادگیری تمرکز کنند.با بازنمایی های رمزگشایی شده با اصلاح خطا ، یک از دست دادن تثبیت شده از نظر بیولوژیکی جدید برای تنظیم منظم نمایش داده ها برای داشتن ساختارهای تک رشته ای پایدار تدوین شده است.با درج این استراتژی های جدید ، RSRL پیشنهادی می تواند بازنمایی های بسیار بادوام ، متراکم و بدون ضرر را برای کارهای ذخیره سازی بعدی در توالی DNA بیاموزد.RSRL پیشنهادی با تعدادی از پایه های قوی در کارهای دنیای واقعی از ذخیره داده های چند حالته مقایسه شده است.نتایج تجربی به دست آمده نشان می دهد که RSRL می تواند انواع متنوعی از داده ها را با تراکم اطلاعات بسیار بالاتر و دوام اما نرخ خطای بسیار پایین تر ذخیره کند.