吊儿郎当的凡-CSDN博客

原创 Probability Density Reweight

概率密度 reweight

2022-07-28 15:21:52 246 1

原创 DDPM( Denoising Diffusion Probabilistic Model )

介绍 DDPM( Denoising Diffusion Probabilistic Model )的算法原理

2022-07-20 16:01:31 3610 5

原创 JTVAE( Junction Tree Variational Autoencoder )

Junction Tree Variational Autoencoder for Molecular Graph GenerationYear: 2018Authors: Wengong Jin, Regina Barzilay, Tommi JaakkolaJournal Name: ICMLInnovation

2022-04-10 10:00:55 1838

原创 VGAE( Variational Graph Auto-Encoder )

Variational Graph Auto-EncodersYear: 2016Authors: Thomas N. Kipf, Max WellingJournal Name: NIPSDefinitions定义含有 N=∣V∣N=|V|N=∣V∣ 个节点的无向图 G=(V,E)\mathcal{G}=(\mathcal{V}, \mathcal{E})G=(V,E) ，邻接矩阵 AAA 和度矩阵 DDD ，再引入 N×FN \times FN×F 大小的隐变量矩阵 Z=[z1;z2;...;

2022-03-18 10:54:19 933 1

原创 De Novo Prediction of RNA 3D Structures with Deep Learning

De Novo Prediction of RNA 3D Structures with Deep LearningYear: 2022Authors: Julius Ramakers, Christopher Frederik Blum, Sabrina K¨onig, Stefan Harmeling, Markus KollmannJournal Name: bioxiv1 Innovation结合自回归深度生成模型、蒙特卡罗树搜索和分数模型预测 RNA 三维折叠结构。2 Method

2022-03-12 11:35:05 1961

原创 PINN potentials

Physically informed artificial neural networks for atomistic modeling of materialsYear: 2019Authors: G. P. Purja Pun, R. Batra, R. Ramprasad & Y. MishinJournal Name: Nature CommunicationsInnovation扩展物理模型，使其具有广泛适用性，即在训练集覆盖不到的数据中也能适用。引入与局部结构参数 Gil

2022-02-17 13:31:45 413

原创 RNAcmap--predicting contact maps of RNAs by evolutionary coupling analysis

RNAcmap: a fully automatic pipeline for predicting contact maps of RNAs by evolutionary coupling analysisYear: 2021Authors: Tongchuan Zhang, Jaswinder Singh, Thomas Litfin, Jian Zhan， Kuldip Paliwal and Yaoqi ZhouJournal Name: BioinformaticsMotivation

2022-01-26 15:42:29 378

原创 ARES( Atomic Rotationally Equivariant Scorer )

Geometric deep learning of RNA structureYear: 2021Authors: Raphael J. L. Townshend, Stephan Eismann, Andrew M. Watkins, Ramya Rangan, Maria Karelina, Rhiju Das, Ron O. DrorJournal Name: ScienceDatasetBackgroundMethodEquivariant convolution等变卷积基于滤波

2022-01-24 16:13:32 478

原创 GFlowNet Foundation 笔记（五）

系列文章GFlowNet Foundation 笔记（一）GFlowNet Foundation 笔记（二）GFlowNet Foundation 笔记（三）GFlowNet Foundation 笔记（四）期望的奖励和奖励最大策略Def 37. 对于在终止状态上的任意分布 Pπ(s)P_{\pi}(s)Pπ(s) ，期望奖励( expected reward ) 为VPπ(s)=EPπ(S)[R(S)∣S≥s]=∑s′≥sR(s′)Pπ(s′∣s≤s′)V_{P_{\pi}}(s) =

2022-01-07 20:32:33 770

原创 GFlowNet Foundation 笔记（四）

系列文章GFlowNet Foundation 笔记（一）GFlowNet Foundation 笔记（二）GFlowNet Foundation 笔记（三）确定环境和随机环境中的策略Def 34. 策略( policy ) π:A×S↦R\pi: \mathcal{A} \times \mathcal{S} \mapsto \Rπ:A×S↦R 为概率分布 π(a∣s)\pi (a | s)π(a∣s) 。其中，行动 a∈Aa \in \mathcal{A}a∈A ，定义 A(s)\mathcal

2022-01-07 09:35:06 1169

原创 GFlowNet Foundation 笔记（三）

系列文章GFlowNet Foundation 笔记（一）GFlowNet Foundation 笔记（二）条件流与自由能Def 24. 已知自由能 F(s)\mathcal{F}(s)F(s)e−F(s)=∑s′:s′≥sR(s′)=∑s′:s′≥se−F(s′)e^{-\mathcal{F}(s)} = \sum_{s': s' \ge s} R(s') = \sum_{s': s' \ge s} e^{-\mathcal{F}(s')}e−F(s)=s′:s′≥s∑R(s′)=s′:s

2022-01-04 10:51:55 614

原创 GFlowNet Foundation 笔记（二）

学习流量Def 18. GFlowNet 可用 (F^(s),P^F(st+1∣st))(\hat{F}(s), \hat{P}_F(s_{t+1} | s_t))(F^(s),P^F(st+1∣st)) 表示。从终止流量估计转移概率终止流量对应终止奖励函数 RRRR(s)=F(s→sf)R(s) = F(s \rightarrow s_f)R(s)=F(s→sf)推论3. 上面的式子可以推导出总流量Z=F(s0)=F(sf)=∑s∈Par(sf)R(s)Z = F(s_0) =

2022-01-01 15:41:32 592 1

原创 GFlowNet Foundation 笔记（一）

马尔可夫流量的测量轨迹( trajectories )和流量( flows )Def 1. 一个有向图用 (S,A)(\mathcal{S}, \mathbb{A})(S,A) 表示，其中 S\mathcal{S}S 为状态的集合， A\mathbb{A}A 为 S×S\mathcal{S} \times \mathcal{S}S×S 大小的有向边的子集。 A\mathbb{A}A 中的元素表示为 s→s′s \rightarrow s's→s′ ，叫做边缘( edges ) 或转移( transi

2021-12-28 11:49:37 1139

原创坐标上升变分推断( Coordinate Ascent Variational Inference, CAVI)

变分推断是为了近似获得 P(Z∣X)P(Z | X)P(Z∣X) ，即隐状态的后验分布。logP(X)=logP(X,Z)−logP(Z∣X)=logP(X,Z)q(Z)−logP(Z∣X)q(Z)\begin{aligned} log P(X) &= log P(X, Z) - log P(Z | X) \\ &= log \frac{P(X, Z)}{q(Z)} - log \frac{P(Z | X)}{q(Z)}\end{aligned}logP(X)=logP(X,Z

2021-12-19 22:46:51 655

原创估计参数的均方误差

花书 5.4.45.4.45.4.4 中说均方误差( MSE )度量着估计 θ^\hat{\theta}θ^ 和真实参数 θ\thetaθ 之间平方误差的总体期望偏差，但没有进行证明，现将推导过程展示在下面MSE=E[(θ^−θ)2]=E[((θ^−E(θ^))+(E(θ^)−θ))2]=E[(θ^−E(θ^))2]+E[(E(θ^)−θ)2]+2E[(θ^−E(θ^))(E(θ^)−θ)]=E[(θ^−E(θ^))2]+(E(θ^)−θ)2+2(E(θ^)−E(θ^))(E(θ^)−θ)=Var(θ^)

2021-11-30 15:08:12 1488

原创方向导数 directional derivative

最近在看花书，其中 4.3 中提到了方向导数当 α=0\alpha = 0α=0 时， ∂∂αf(x+αu)=uT∇xf(x)\frac{\partial}{\partial \alpha}f(\textbf{x} + \alpha \textbf{u}) = \textbf{u}^T \nabla_xf(\textbf{x})∂α∂f(x+αu)=uT∇xf(x) 是怎么得出的？根据全微分∂f(x+αu)=∂f(x1+αu1)∂x1⋅∂(x1+αu1)+⋯+∂f(xn+αun)∂xn⋅∂(xn+

2021-11-27 19:12:34 770 1

原创传统图生成方法

系列文章《Graph Representation Learning》笔记 Chapter2《Graph Representation Learning》笔记 Chapter3《Graph Representation Learning》笔记 Chapter4《Graph Representation Learning》笔记 Chapter5《Graph Representation Learning》笔记 Chapter6传统方法概述我们可以将生成过程指定为计算 P(A[u,v]=1)P(A

2021-11-25 21:11:50 895

原创《Graph Representation Learning》笔记 Chapter6

系列文章《Graph Representation Learning》笔记 Chapter2《Graph Representation Learning》笔记 Chapter3《Graph Representation Learning》笔记 Chapter4《Graph Representation Learning》笔记 Chapter5目录Applications and Loss FunctionsGNNs for Node ClassificationGNNs for Graph Cla

2021-11-25 17:08:03 389

原创《Graph Representation Learning》笔记 Chapter5

系列文章《Graph Representation Learning》笔记 Chapter2《Graph Representation Learning》笔记 Chapter3《Graph Representation Learning》笔记 Chapter4目录Permutation invariance and equivarianceNeural Message PassingOverview of the Message Passing FrameworkPermutation invar

2021-11-25 15:43:43 2301

原创 BLAST

Basic Local Alignment Search ToolYear: 1990Authors: Stephen F. Altschul, Warren Gish, Webb Miller, Eugene W. Myers and David J. LipmanJournal Name: Journal of Molecular BiologyAbstract一个快速进行序列比较的新方法：基本局部比对搜索工具( basic local alignment search tool, BLAST

2021-11-24 19:40:05 230

原创 LinearPartition

LinearPartition: linear-time approximation of RNA folding partition function and base-pairing probabilitiesYear: 2020Authors: He Zhang, Liang Zhang, David H. Mathews and Liang HuangJournal Name: BioinformaticsMotivation传统分割方法的复杂度与序列长度呈三次方关系。Research

2021-11-22 21:39:35 651

原创 2D-LSTM

LSTMUnderstanding LSTM Networks 和人人都能看懂的LSTM 这两篇文章介绍了 LSTM 的原理。2D-LSTM2D-LSTM 是作用于三维输入( W×H×DW \times H \times DW×H×D )的 LSTM ，分别取横向和纵向上一时刻的隐藏状态和输出作为该时刻的输入，如下图所示数据传播的顺序依靠对角线原则，如下图所示图中的数字表示计算的顺序。下图展示了 2D-LSTM 单元的结构，蓝线表示与标准单元不同的地方。上图中 xj,ix_{j, i}

2021-11-17 11:24:51 4619

原创 torch.nn.LSTM

什么是 LSTMUnderstanding LSTM Networks 和人人都能看懂的LSTM 这两篇文章介绍了 LSTM 的原理。本文的着重点在于 LSTM 的输入输出维度以及 torch.nn.LSTM 的使用。LSTM 的输入输出首先来看这张图input 序列的长度为 LLL ，包括 x1,x2,...,xn−1,xn(n=L)x_1, x_2, ..., x_{n-1}, x_n(n=L)x1,x2,...,xn−1,xn(n=L) ，每个输入 xnx_nxn 的维度数 in

2021-11-15 22:30:05 2304

原创向量空间 vector space

向量空间表示为 R1,R2,R3,R4,...,Rn\bf{R}^1, \bf{R}^2, \bf{R}^3, \bf{R}^4, ..., \bf{R}^nR1,R2,R3,R4,...,Rn 。 Rn\bf{R}^nRn 表示 nnn 维向量集合所组成的空间，称为二维向量空间。但是，并不是所有集合组成的空间都能称作向量空间，必须满足以下 2 个条件集合中的两个向量相加，所得的新向量依然在这个集合内。集合中的任一向量与一标量相乘，所得的新向量依然在这个集合内。举两个例子（ from mit公开课

2021-11-13 23:11:38 1583

原创 SPOT-RNA

RNA secondary structure prediction using stochastic context-free grammars and evolutionary historyYear: 1999Authors: B. Knudsen and J. HeinJournal Name: BioinformaticsMotivation最近，一些进化模型被应用于结构预测中，这些模型忽略了一些相关信息。什么叫进化模型？什么样的相关信息？Research Objective结合 s

2021-11-10 16:51:34 941

原创 SCFGs

Stochastic context-free grammars for tRNA modelingYear: 1994Authors: Yasubumi Sakakibara, Michael Brown, Richard Hughey, I.Saira Mian, Kimmen Sjolander, Rebecca C.Underwood and David HausslerJournal Name: Nucleic Acids ResearchResearch Objective通过类似于构

2021-11-09 13:52:46 384

原创 MXfold2

RNA secondary structure prediction using deep learning with thermodynamic integrationYear: 2021Authors: Kengo Sato, Manato Akiyama & Yasubumi SakakibaraJournal Name: Nature CommunicationsMotivation在多参数模型种经常会出现过拟合现象Research Objective实现一种更具鲁棒性的结构预

2021-11-07 21:16:50 406

原创 Loss-augmented Max-margin Constraint Generation(LAM-CG) algorithm

Computational approaches for RNA energy parameter estimationYear: 2010Authors: MIRELA ANDRONESCU, ANNE CONDON, HOLGER H. HOOS, DAVID H. MATHEWS, and KEVIN P. MURPHYJournal Name: BIOINFORMATICSMotivation将最大间隔应用于CG模型中Research Objective改进估计能量参数的优化方法。B

2021-11-06 20:51:21 120

原创 Dynamic programming algorithm

Optimal computer folding of large RNA sequences using thermodynamics and auxiliary informationYear: 1981Authors: Michael Zuker and Patrick StieglerJournal Name: Nucleic Acids ResearchMotivation将动态规划算法与热动力学数据结合。Research Objective基于动态规划算法提出一种更有效、快速、并且

2021-11-06 14:37:09 321

原创 Constraint generation(CG) approach

Efficient parameter estimation for RNA secondary structure predictionYear: 2007Authors: Mirela Andronescu, Anne Condon, Holger H. Hoos, David H. Mathews, and Kevin P. MurphyJournal Name: BioinformaticsMotivation基于自由能的RNA二级序列预测模型Turner99，没有有效、快速的参数估计方

2021-11-05 16:15:27 153

原创《Graph Representation Learning》笔记 Chapter4

系列文章《Graph Representation Learning》笔记 Chapter2《Graph Representation Learning》笔记 Chapter3目录Reconstructing muti-relational dataLoss functionCross-entropy with negative samplingMax-margin lossMulti-relational decoderReanslational decodersMulti-linear dot p

2021-10-16 16:11:30 253

原创《Graph Representation Learning》笔记 Chapter3

系列文章《Graph Representation Learning》笔记 Chapter2目录An Encoder-Decoder Perspective编码 The Encoder解码 The DecoderOptimizing an Encoder-Decoder ModelOverview of the Encoder-Decoder ApproachFactorization-based approachesLaplacian eigenmaps内积方法 Inner-product metho

2021-09-29 11:46:01 235

原创《Graph Representation Learning》笔记 Chapter2

目录节点特征node degreenode centrality集聚系数 The clustering coefficient图特征Weisfieler-Lehman kernel邻域重叠检测 Neighborhood Overlap Detection局部重叠度量 Local overlap measure全局重叠度量 Global overlap measureKate indexLeicht, Holme, and Newman(LHN) similarity随机游走法 Random walk met

2021-09-21 15:27:33 436

weixin_43269419的博客