生物物理序列优化算法的闭形式测试函数
机器学习
2024-07-02 v1 神经与进化计算
摘要
正在寻求将机器学习（ML）在计算机视觉（CV）和自然语言处理（NLP）等领域的成功复制到涉及生物物理数据的应用中的工作日益增长。CV和NLP领域的先前成功的一个关键要素是对困难基准的广泛接受，这些基准将关键子问题浓缩为任何初级研究人员都能探究的可行任务，但生物物理领域的优秀基准极少。这种稀缺部分是由于对仅模拟生物物理数据的基准的狭窄关注；我们提出了将生物物理问题抽象为更简单问题的做法，这些问题具有关键几何相似性。特别是我们提出了一类生物物理序列优化的闭形式测试函数，称为Ehrlich 函数。我们提供实证结果，表明这些函数是有趣的研究对象，并且与标准遗传优化基线相比可能具有非平凡难度。
关键词
引用
@article{arxiv.2407.00236,
title = {Closed-Form Test Functions for Biophysical Sequence Optimization Algorithms},
author = {Samuel Stanton and Robert Alberstein and Nathan Frey and Andrew Watkins and Kyunghyun Cho},
journal= {arXiv preprint arXiv:2407.00236},
year = {2024}
}