이상 탐지는 기계 학습의 잘 확립된 분야로, 일반적인 패턴에서 벗어난 관측치를 식별합니다. 이상 탐지의 원리는 생물학적 시스템이 비정상적인 환경 입력을 인식하고 대응하는 방식을 이해하는 데 도움이 될 수 있습니다. 그러나 이 접근 방식은 세포 및 생리적 회로의 분석에서 제한된 주목을 받았습니다. 본 연구는 차원 축소, 부스팅 결정 트리 및 이상 분류와 같은 기계 학습 기법을 기반으로 생물학적 회로에 대한 개념적 프레임워크를 개발합니다. 한 가지 문제는 기계 학습 회로가 세포 및 생리적 시스템에서 사용하기에는 비현실적으로 크다는 것입니다. 따라서 저는 기계 학습 개념에서 영감을 받은 최소 회로에 집중하여 세포 규모로 축소합니다. 설명적인 모델을 통해 작은 회로가 이상 분류에 유용할 수 있음을 보여줍니다. 분석은 또한 기계 학습의 원리—예를 들어, 시간적 및 비시간적 이상 탐지, 다변량 신호 통합, 계층적 의사 결정 캐스케이드—가 세포 회로의 설계 및 진화에 관한 가설을 알릴 수 있음을 보여줍니다. 이 학제 간 접근 방식은 세포 회로를 이해하는 데 도움을 주며 생물학적 및 인공 시스템 전반에 걸쳐 계산 전략의 보편적인 본질을 강조합니다.
Steven A. Frank (Sun,)은 이 질문을 연구했습니다.