使用图神经网络解决树包含问题
通过使用图神经网络,我们提出了一种解决树包含问题的算法,能够在训练数据集之外的具有更多物种的实例上展示出超过 95% 的准确率。
本文研究了系统发生学中的两个核心问题:基于减少原则和贝叶斯方法的系统发生学推断。通过PhyloGFN框架,展示了在真实基准数据集上产生多样化和高质量的进化假设。PhyloGFN在边缘似然度估计方面与现有工作相媲美,并实现了更接近目标分布的拟合效果,超过了最先进的变分推断方法。
通过使用图神经网络,我们提出了一种解决树包含问题的算法,能够在训练数据集之外的具有更多物种的实例上展示出超过 95% 的准确率。
本文研究了系统发生学中的两个核心问题:基于减少原则和贝叶斯方法的系统发生学推断。通过PhyloGFN框架,展示了在真实基准数据集上产生多样化和高质量的进化假设。PhyloGFN在边缘似然度估计方面与现有工作相媲美,并实现了更接近目标分布的拟合效果,超过了最先进的变分推断方法。