Buchumschlag

Cell reprogramming design by transfer learning of functional transcriptional networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wytock, Thomas P., Motter, Adilson E.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Molecular Networks Disordered Systems and Neural Networks Machine Learning Genomics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics
von: Carbone, Alessandra, et al.
Veröffentlicht: (2023)

Global network control from local information
von: Haber, Aleksandar, et al.
Veröffentlicht: (2025)

In-context learning emerges in chemical reaction networks without attention
von: Floyd, Carlos, et al.
Veröffentlicht: (2026)

Grid congestion stymies climate benefit from U.S. vehicle electrification
von: Duan, Chao, et al.
Veröffentlicht: (2025)

Hypergraph Animals
von: Stumpf, Michael P. H.
Veröffentlicht: (2023)

Contrastive Learning Enhances Language Model Based Cell Embeddings for Low-Sample Single Cell Transcriptomics
von: Zhang, Luxuan, et al.
Veröffentlicht: (2025)

Insights from number theory into the critical Kauffman model with connectivity one
von: Sheldon, F. C., et al.
Veröffentlicht: (2023)

High-dimensional learning of narrow neural networks
von: Cui, Hugo
Veröffentlicht: (2024)

Energy-Based Dynamical Models for Neurocomputation, Learning, and Optimization
von: Montanari, Arthur N., et al.
Veröffentlicht: (2026)

Hybrid satellite-fiber quantum network
von: Shao, Yanxuan, et al.
Veröffentlicht: (2025)

Evolutionary chemical learning in dimerization networks
von: Tkachenko, Alexei V., et al.
Veröffentlicht: (2025)

Asymptotics of feature learning in two-layer networks after one gradient-step
von: Cui, Hugo, et al.
Veröffentlicht: (2024)

Adaptive kernel predictors from feature-learning infinite limits of neural networks
von: Lauditi, Clarissa, et al.
Veröffentlicht: (2025)

Interpretable disorder-promoted synchronization and coherence in coupled laser networks
von: Barioni, Ana Elisa D., et al.
Veröffentlicht: (2025)

Implicit bias produces neural scaling laws in learning curves, from perceptrons to deep networks
von: D'Amico, Francesco, et al.
Veröffentlicht: (2025)

Optimal transport distances for directed, weighted graphs: a case study with cell-cell communication networks
von: Nagai, James S., et al.
Veröffentlicht: (2023)

Solution space and storage capacity of fully connected two-layer neural networks with generic activation functions
von: Nishiyama, Sota, et al.
Veröffentlicht: (2024)

Limits on the computational expressivity of non-equilibrium biophysical processes
von: Floyd, Carlos, et al.
Veröffentlicht: (2024)

Symmetries of Living Systems: Symmetry Fibrations and Synchronization in Biological Networks
von: Makse, Hernan A., et al.
Veröffentlicht: (2025)

Emergent oscillations and chaos in non-compliant microfluidic networks
von: Shao, Yanxuan, et al.
Veröffentlicht: (2025)

Fundamental limits of learning in sequence multi-index models and deep attention networks: High-dimensional asymptotics and sharp thresholds
von: Troiani, Emanuele, et al.
Veröffentlicht: (2025)

Distributed Lyapunov Functions for Nonlinear Networks
von: Wang, Yiming, et al.
Veröffentlicht: (2025)

A unified theory of feature learning in RNNs and DNNs
von: Bauer, Jan P., et al.
Veröffentlicht: (2026)

Re-analysis of the Human Transcription Factor Atlas Recovers TF-Specific Signatures from Pooled Single-Cell Screens with Missing Controls
von: Jain, Arka, et al.
Veröffentlicht: (2026)

Applying statistical learning theory to deep learning
von: Gerbelot, Cédric, et al.
Veröffentlicht: (2023)

Machine learning for sustainable geoenergy: uncertainty, physics and decision-ready inference
von: Menke, Hannah P., et al.
Veröffentlicht: (2026)

Noncooperative Quantum Networks
von: Shao, Yanxuan, et al.
Veröffentlicht: (2025)

Emergent weight morphologies in deep neural networks
von: de Jong, Pascal, et al.
Veröffentlicht: (2025)

What can we learn from quantum convolutional neural networks?
von: Umeano, Chukwudubem, et al.
Veröffentlicht: (2023)

A universal approximation theorem for nonlinear resistive networks
von: Scellier, Benjamin, et al.
Veröffentlicht: (2023)

Supervised and Unsupervised protocols for hetero-associative neural networks
von: Alessandrelli, Andrea, et al.
Veröffentlicht: (2025)

Deep neural networks from the perspective of ergodic theory
von: Zhang, Fan
Veröffentlicht: (2023)

Computing frustration and near-monotonicity in deep neural networks
von: Wendin, Joel, et al.
Veröffentlicht: (2025)

Finite-time Lyapunov exponents of deep neural networks
von: Storm, L., et al.
Veröffentlicht: (2023)

Asymptotic theory of in-context learning by linear attention
von: Lu, Yue M., et al.
Veröffentlicht: (2024)

Self-attention as an attractor network: transient memories without backpropagation
von: D'Amico, Francesco, et al.
Veröffentlicht: (2024)

Homophily modulates double descent generalization in graph convolution networks
von: Shi, Cheng, et al.
Veröffentlicht: (2022)

Training neural networks with structured noise improves classification and generalization
von: Benedetti, Marco, et al.
Veröffentlicht: (2023)

Dynamics of Meta-learning Representation in the Teacher-student Scenario
von: Wang, Hui, et al.
Veröffentlicht: (2024)

Asymptotic generalization error of a single-layer graph convolutional network
von: Duranthon, O., et al.
Veröffentlicht: (2024)