Компьютерные науки > Машинное обучение [представлено 28 января 2026 (v1), последнее пересмотренное 26 октября 2026 года (эта версия, v4)] Название: MapPFN: Learning Causal Purturbation Maps in Communite View PDF HTML (экспериментальное) резюме: планирование эффективных мероприятий в биологических системах требует моделей лечения и воздействия, которые адаптируются к невидимым биологическим контекстам путем выявления их конкретных основополагающих механизмов. И все же наборы данных о возмущении в одной клетке охватывают лишь горстку биологических контекстов, и существующие методы не могут использовать новые интервенционные доказательства на момент вывода для адаптации помимо их учебных данных. Для того чтобы получить мета-обучение оценщику эффекта возмущения, мы представляем MapPFN — предварительно оборудованную сеть данных (PFn), заранее обученную синтетической биологической до этого и причинно-следственной интервенции, отделяя предварительную подготовку от ограниченных влажных данных. В отличие от существующих методов, MapPFN использует обучение в контексте для картирования последовательности экспериментов с распространением после турбации, что позволяет одной заранее подготовленной модели адаптироваться к новым наборам данных и генам. Наши результаты показывают, что сочетание синтетического предварительного обучения и усовершенствования реальных данных из одной клетки улучшает прогнозы в отношении возмущения во всех биологических контекстах. Код, модель и данные имеются на…
МАПФН: Карты изучения причинно-следственной связи в контексте
arXiv: 2601.21092v4 Annuales Type: заменить резюме: планирование эффективных мероприятий в биологических системах требует моделей лечения и воздействия, которые адаптируются к невидимым биологическим контекстам путем выявления их конкретных основополагающих механизмов. И все же наборы данных о возмущении в одной клетке охватывают лишь горстку биологических контекстов, и существующие методы не могут использовать новые интервенционные доказательства на момент вывода для адаптации помимо их учебных данных. Для того чтобы получить мета-обучение оценщику эффекта возмущения, мы представляем MapPFN — предварительно оборудованную сеть данных (PFn), заранее обученную синтетической биологической до этого и причинно-следственной интервенции, отделяя предварительную подготовку от ограниченных влажных данных. В отличие от существующих методов, MapPFN использует обучение в контексте для картирования последовательности экспериментов с распространением после турбации, что позволяет одной заранее подготовленной модели адаптироваться к новым наборам данных и генам. Наши результаты показывают, что сочетание синтетического предварительного обучения и уточнения реальных данных из одной клетки улучшает прогнозы в отношении возмущения по всему b