用于多模态无损DNA存储的结构化稳定表示学习
机器学习
2024-08-05 v1 人工智能
新兴技术
信息论
math.IT
生物大分子
摘要
本文提出了Reed-Solomon编码单链表示学习（RSRL），一种用于学习多模态无损DNA存储表示的新型端到端模型。与现有的基于学习的方法不同，所提出的RSRL借鉴了纠错编解码器和结构生物学的思想。具体而言，RSRL首先从经Reed-Solomon编解码器转换的二进制数据中学习后续存储的表示。然后，表示被RS编码感知的掩码进行掩码处理，以聚焦于学习过程中发生的突发错误的纠正。通过带有错误纠正的解码表示，一种新型的生物稳定损失被构建出来，用于正则化数据表示使其具有稳定的单链结构。通过整合这些新颖策略，所提出的RSRL能够学习高度耐久、密集且无损的表示，用于后续的DNA序列存储任务。所提出的RSRL已在多模态数据存储的真实任务中与多种强基线方法进行了比较。获得的实验结果表明，RSRL能够以更高的信息密度和耐久性但更低的错误率存储多种类型的数据。
引用
@article{arxiv.2408.00779,
title = {Learning Structurally Stabilized Representations for Multi-modal Lossless DNA Storage},
author = {Ben Cao and Tiantian He and Xue Li and Bin Wang and Xiaohu Wu and Qiang Zhang and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2408.00779},
year = {2024}
}