اکسپرس 24
ترجمه فارسی مقاله استنتاج فیلوژنتیک بیزی متغیر با توزیع‌های طول شاخه نیمه ضمنی

ترجمه فارسی مقاله استنتاج فیلوژنتیک بیزی متغیر با توزیع‌های طول شاخه نیمه ضمنی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Variational Bayesian Phylogenetic Inference with Semi-implicit Branch Length Distributions
عنوان مقاله به فارسی استنتاج فیلوژنتیک بیزی متغیر با توزیع‌های طول شاخه نیمه ضمنی
نویسندگان Tianyu Xie, Frederick A. Matsen IV, Marc A. Suchard, Cheng Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 26
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Comments: 26 pages, 7 figures
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 26 صفحه ، 7 شکل

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,040,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Reconstructing the evolutionary history relating a collection of molecular sequences is the main subject of modern Bayesian phylogenetic inference. However, the commonly used Markov chain Monte Carlo methods can be inefficient due to the complicated space of phylogenetic trees, especially when the number of sequences is large. An alternative approach is variational Bayesian phylogenetic inference (VBPI) which transforms the inference problem into an optimization problem. While effective, the default diagonal lognormal approximation for the branch lengths of the tree used in VBPI is often insufficient to capture the complexity of the exact posterior. In this work, we propose a more flexible family of branch length variational posteriors based on semi-implicit hierarchical distributions using graph neural networks. We show that this semi-implicit construction emits straightforward permutation equivariant distributions, and therefore can handle the non-Euclidean branch length space across different tree topologies with ease. To deal with the intractable marginal probability of semi-implicit variational distributions, we develop several alternative lower bounds for stochastic optimization. We demonstrate the effectiveness of our proposed method over baseline methods on benchmark data examples, in terms of both marginal likelihood estimation and branch length posterior approximation.

چکیده به فارسی (ترجمه ماشینی)

بازسازی تاریخ تکاملی مربوط به مجموعه ای از توالی های مولکولی موضوع اصلی استنباط فیلوژنتیک مدرن بیزی است.با این حال ، روشهای متداول MARKOV MONTE CARLO به دلیل فضای پیچیده درختان فیلوژنتیک ، به ویژه هنگامی که تعداد توالی ها زیاد باشد ، می تواند ناکارآمد باشد.یک روش جایگزین ، استنباط فیلوژنتیک بیزی متغیر (VBPI) است که مشکل استنباط را به یک مشکل بهینه سازی تبدیل می کند.در حالی که مؤثر است ، تقریب پیش فرض مورب برای طول شاخه درخت مورد استفاده در VBPI اغلب برای گرفتن پیچیدگی خلفی دقیق کافی نیست.در این کار ، ما یک خانواده انعطاف پذیر تر از فرزندان متغیر طول شاخه را بر اساس توزیع های سلسله مراتبی نیمه کاره با استفاده از شبکه های عصبی نمودار پیشنهاد می کنیم.ما نشان می دهیم که این ساخت و ساز نیمه مفهومی توزیع های متناسب با جابجایی مستقیم را منتشر می کند ، و بنابراین می تواند فضای طول شاخه غیر الکلیدسی را در توپولوژی های مختلف درخت با سهولت اداره کند.برای مقابله با احتمال حاشیه ای قابل تحمل توزیع های متغیر نیمه ناچیز ، ما چندین مرز پایین جایگزین برای بهینه سازی تصادفی ایجاد می کنیم.ما اثربخشی روش پیشنهادی خود را نسبت به روشهای پایه در مثالهای داده معیار ، از نظر تخمین احتمال حاشیه و تقریب خلفی طول شاخه نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.