1,720,984 research outputs found
not available
No full textOs grandes avanços tecnológicos ocorridos nos últimos anos propiciaram a criação de um novo modelo de comunicação chamado computação móvel. Com esse novo modelo, novos fatores devem ser considerados na criação de aplicações em sistemas distribuídos. Diantedisso, torna-se necessário adaptar os algoritmos existentes ou até mesmo criar novos. A necessidade de se considerar a mobibidade na construção de protocolos distribuídos aumenta a complexidade de validação dos algoritmos distribuídos. Uma técnica que auxilia a avaliação de protocolos de rede são os simuladores. Diversos mecanismos de recuperação de informação são oferecidos a clientes móveis. Serviços esses que se utilizam de uma classe específica de protocolos distribuídos. São os chamados protocolos de ntrega de mensagens. Esta dissertação analisa a classe de protocolos de entrega de mensagens através da coleta, especificação e análise dos principais protocolos existentes. O estudo desses protocolos permitiu-nos abstrair as funcionalidades comuns culminando na implementação de uma biblioteca, associada a um simulador chamado MobiCS, composta por todas as partes fatoradas.not availabl
not available
No full textNeste trabalho foram abordados dois problemas: alinhamento de sequências e predição de genes. Estes dois problemas, apesar de serem distintos, tem grande relação entre si. Assim, uma proposta deste trabalho foi uma técnica, baseada em transformações de consistência, que permite a integração entre os modelos pair HMM (utilizado para alinhamento entre pares de sequências) e GHMM (utilizado em predição de genes), de maneira que as predições de genes para um conjunto de sequências genômicas sejam consistentes com o alinhamento entre essas sequências. Além disso, apresentamos dois novos algoritmos relacionados à predição de genes utilizando GHMMsnot availabl
not available
No full textA segmentação de sequências é um problema desa\FB01ador que pode ser aplicado em diversas áreas de pesquisa. O uso de modelos geradores como Modelo Oculto de Markov (HMM, do inglês Hidden Markov Model) e Modelo Oculto de Markov Generalizado (GHMM, do inglês Generalized Hidden Markov Model) é uma das abordagens mais comuns, entretanto recentemente pesquisas apontam um novo modelo discriminativo promissor chamado Campo Aleatório Condicional. Nesse trabalho desenvolvemos um arcabouço probabilístico orientado a objetos para a implementação de Campos Aleatórios Condicionais de Cadeias Lineares, uma variante que é bastante utilizada na segmentação de sequências. Esse objetivo foi alcançado a partir da extensão do arcabouço probabilístico ToPS, originalmente projetado para HMMs, GHMMs e outros modelos geradores. Nossa implementação conta com algoritmos de inferência e\FB01cientes que paralelizam a computação e alcançam tempos de execução competitivos. Focando na facilidade de utilização, nosso arcabouço conta com um interpretador de modelos que permite a de\FB01nição e treinamento de Campos Aleatórios Condicionais agilizando a prototipagem e investigação de problemas. Comparamos nossa abordagem com programas já existentes e observamos que nosso arcabouço permite ao usuário maior liberdade na de\FB01nição de modelos além de obter melhor desempenho com relação ao tempo de execução.not availabl
Uma implementação integrada de modelos probabilísticos gráficos
No full textProbabilistic Graphical Models (PGMs) are a class of machine learning models used for sequence labeling and alignment. They are widely applied in many research fields, such as natural language processing, speech recognition, computer vision and bioinformatics. Firstly, this project provides a review about PGMs. It summarizes the relationship between 11 models studied and introduces a standardized representation of their algorithms including a comparison of their time and space algorithmic complexity. Thereafter, this project presents two new models that integrate the implementation of PGMs: the Generalized Multi-Sequence Hidden Markov Model (GMHMM), and the Generalized Covariance Model (GCM). It introduces their algorithms and shows how to configure the graph structure of the models to achieve the same algorithmic efficiency as the specialized models they extend. Finally, this project resulted in the extension and major refactoring of the Toolkit of Probabilistic Models of Sequences (ToPS) framework. It shows how the refactoring of the system led to a novel architecture to implement PGMs and the discovery of a new object-oriented design pattern called the Secretary pattern.Modelos Probabilísticos Gráficos (PGMs, na sigla em inglês) são uma classe de modelos de aprendizagem de máquina utilizada para rotulação e alinhamento de sequências. Eles são amplamente utilizados em muitas áreas do conhecimento, tais como processamento de linguagem natural, reconhecimento de voz, visão computacional e bioinformática. Primeiramente, o projeto provê uma revisão sobre PGMs. Ele resume o relacionamento entre 11 modelos estudados e introduz uma representação padronizada dos seus algoritmos, incluindo a comparação entre complexidade algorítimica de tempo e espaço de cada um deles. Em seguida, este projeto introduz dois novos modelos que criam uma implementação integrada de MPGs: o Modelo Oculto de Markov Generalizado para Múltiplas Sequências (GMHMM), e o Modelo de Covariância Generalizado (GCM), introduzindo seus algoritmos e mostrando como configurar a estrutura dos grafos dos modelos para atingir a mesma eficiência que os modelos especializados que eles estendem. Finalmente, este projeto resultou na extensão e refatoração do arcabouço ToPS (Toolkit of Probabilistic Models of Sequences). Ele mostra como a refatoração feita no sistema levou à criação de uma nova arquitetura para implementar PGMs e à descoberta do padrão de projeto orientado a objetos chamado padrão Secretário
Efficient algorithms for semi-markov conditional random fields and their application for the analysis of genomic sequences
No full textCampos Aleatórios Condicionais são modelos probabilísticos discriminativos que tem sido utilizados com sucesso em diversas áreas como processamento de linguagem natural, reconhecimento de fala e bioinformática. Entretanto, implementar algoritmos eficientes para esse tipo de modelo não é uma tarefa fácil. Nesse trabalho apresentamos um arcabouço que ajuda no desenvolvimento e experimentação de Campos Aleatórios Condicionais Semi Markovianos (semi-CRFs). Desenvolvemos algoritmos eficientes que foram implementados em C++ propondo uma interface de programação flexível e intuitiva que habilita o usuário a definir, treinar e avaliar modelos. Nossa implementação foi construída como uma extensão do arcabouço ToPS que, inclusive, pode utilizar qualquer modelo já definido no ToPS como uma função de característica especializada. Por fim utilizamos nossa implementação de semi-CRF para construir um preditor de promotores que apresentou performance superior aos preditores existentes.Conditional Random Fields are discriminative probabilistic models that have been successfully used in several areas like natural language processing, speech recognition and bioinformatics. However, implementing efficient algorithms for this kind of model is not an easy task. In this thesis we show a framework that helps the development and experimentation of Semi-Markov Conditional Random Fields (semi-CRFs). It has an efficient implementation in C++ and an intuitive API that allow users to define, train and evaluate models. It was built as an extension of ToPS framework and can use ToPS probabilistic models as specialized feature functions. We also use our implementation of semi-CRFs to build a high performance promoter predictor
not available
No full textEsta dissertação apresenta um arcabouço para implementação de algoritmos de inferência de gramáticas estocásticas. Este arcabouço inclui suporte de software para a geração automática de classificadores de seqüências. O objetivo final do sistema é ser usado no desenvolvimento de novos classificadores para seqüências genéticasnot availabl
Modelos gráficos probabilísticos e técnicas de aprendizado profundo para predição de genes
No full textSequential data emerges in various research fields including computer vision, natural language processing, and biology, posing complex inference challenges like filtering, prediction, control, and labeling. Probabilistic Graphical Models (PGMs) are comprehensive mathematical frameworks that have been extensively utilized for these tasks with significant success. For gene prediction the best predictors currently focus on utilizing Markov Chains such as Augustus, SNAP, Genscan, or MYOP. Numerous studies have emphasized the efficacy of Deep Neural Networks (DNNs) in tackling complex problems. These models offer an advanced representation that facilitates inference tasks. For instance, Convolutional Neural Networks (CNNs) have been employed to infer biological signals, sequence motifs and classify pre-miRNAs, whereas Recurrent Neural Networks (RNNs) are used for predicting protein secondary structures. In this work, we introduce a framework that integrates DNN models with PGMs to enhance gene prediction from sequential data, surpassing current state-of-the-art methods. To achieve this, we developed DeepToPS, an extension of the ToPS tool, which is an object-oriented framework with efficient implementations of frequently used PGMs for sequential data, now incorporating DNNs. Consequently, DeepToPS facilitates the creation of gene predictors utilizing hybrid models that seamlessly blend deep learning techniques with graphical models.Dados sequenciais surgem em várias áreas de pesquisa, incluindo visão computacional, processamento de linguagem natural e biologia, apresentando desafios complexos de inferência como filtração, predição, controle e rotulação. Modelos Gráficos Probabilísticos (PGMs, do inglês Probabilistic Graphical Models) são arcabouços de estruturas matemáticas abrangentes que têm sido amplamente utilizadas para essas tarefas com sucesso significativo. Para a predição de genes, os melhores preditores atualmente focam no uso de Cadeias de Markov, como Augustus, SNAP, Genscan ou MYOP. Diversos estudos têm destacado a eficácia das Redes Neurais Profundas (DNNs, do inglês Deep Neural Networks) na resolução de problemas complexos. Esses modelos oferecem uma representação avançada que facilita as tarefas de inferência. Por exemplo, Redes Neurais Convolucionais (CNNs, do inglês Convolutional Neural Networks) têm sido empregadas para inferir sinais biológicos, sequenciar motivos e classificar pré-miRNAs, enquanto Redes Neurais Recorrentes (RNNs, do inglês Recurrent Neural Networks) são usadas para prever estruturas secundárias de proteínas. Neste trabalho, introduzimos uma estrutura que integra modelos de DNN com PGMs para aprimorar a predição de genes a partir de dados sequenciais, superando os métodos atuais. Para isso, desenvolvemos o DeepToPS, uma extensão da ferramenta ToPS, que é uma estrutura orientada a objetos com implementações eficientes de PGMs comumente utilizadas para dados sequenciais, agora incorporando DNNs. Consequentemente, o DeepToPS facilita a criação de preditores de genes utilizando modelos híbridos que combinam, de forma integrada, técnicas de aprendizado profundo com modelos gráficos
MYOP: A framework for building ab initio gene predictors
No full textA demanda por abordagens eficientes para o problema de reconhecer a estrutura de cada gene numa sequência genômica motivou a implementação de um grande número de programas preditores de genes. Fizemos uma análise dos programas de sucesso com abordagem probabilística e reconhecemos semelhanças na implementação dos mesmos. A maior parte desses programas utiliza a cadeia oculta generalizada de Markov (GHMM - generalized hiddenMarkov model) como um modelo de gene. Percebemos que muitos preditores têm a arquitetura da GHMM fixada no código-fonte, dificultando a investigação de novas abordagens. Devido a essa dificuldade e pelas semelhanças entre os programas atuais, implementamos o sistema MYOP (Make Your Own Predictor) que tem como objetivo fornecer um ambiente flexível o qual permite avaliar rapidamente cada modelo de gene. Mostramos a utilidade da ferramenta através da implementação e avaliação de 96 modelos de genes em que cada modelo é formado por um conjunto de estados e cada estado tem uma distribuição de duração e um outro modelo probabilístico. Verificamos que nem sempre um modelo probabilísticomais sofisticado fornece um preditor melhor, mostrando a relevância das experimentações e a importância de um sistema como o MYOP.The demand for efficient approaches for the gene structure prediction has motivated the implementation of different programs. In this work, we have analyzed successful programs that apply the probabilistic approach. We have observed similarities between different implementations, the same mathematical framework called generalized hidden Markov chain (GHMM) is applied. One problem with these implementations is that they maintain fixed GHMM architectures that are hard-coded. Due to this problem and similarities between the programs, we have implemented the MYOP framework (Make Your Own Predictor) with the objective of providing a flexible environment that allows the rapid evaluation of each gene model. We have demonstrated the utility of this tool through the implementation and evaluation of 96 gene models in which each model has a set of states and each state has a duration distribution and a probabilistic model. We have shown that a sophisticated probabilisticmodel is not sufficient to obtain better predictor, showing the experimentation relevance and the importance of a system as MYOP
not available
No full textMétodos computacionais vêm sendo aplicados à Biologia Molecular para a identificação de propriedades do genoma. Este projeto aborda uma perspectiva lingüística de cadeias de nucleotídeos, com o objetivo de gerar classificadores de seqüências. Desenvolvemos um sistema de aprendizado computacional no qual foram implementados algoritmos de inferência gramatical visando caracterizar conjuntos de seqüências de nulceotídeos. Tais algoritmos geram analisadores sintáticos que são utilizados para construir clasificadores de seqüências. Apresentamos uma avaliação inicial desses algoritmos no problema de Biologia Molecular de identificação de fronteiras iniciais e finais de éxons. Por meio de uma amostra de 'benchmark' obtivemos resultados comparáveis com um dos preditores de fronteiras existentes.not availabl
- …
