Convolutional neural networks (CNN)

Convolutional neural networks (CNN) have outperformed conventional methods in modeling the sequence specificity of DNA–protein binding. Yet inappropriate CNN architectures can yield poorer performance than simpler models. Thus an in-depth understanding of how to match CNN architecture to a given task is needed to fully harness the power of CNNs for computational biology applications.

ผลลัพธ์ (ไทย) 1:

สลับลำดับข้อมูลเครือข่ายประสาท (CNN) มีกรรมการวิธีการแบบเดิมในการสร้างโมเดลความจำเพาะลำดับของดีเอ็นเอ – โปรตีนรวม แต่ CNN ไม่เหมาะสมก็สามารถให้ประสิทธิภาพด้อยกว่ารุ่นที่เรียบง่าย ดังนั้น ความเข้าใจในเชิงลึกของวิธีการตรงกับสถาปัตยกรรมของซีเอ็นเอ็นที่งานกำหนดให้ถูกต้องเต็มประสิทธิภาพของ CNNs สำหรับการใช้งานชีววิทยาการคำนวณ

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทสับสน (CNN) มีประสิทธิภาพสูงกว่าวิธีการเดิมในการสร้างแบบจำลองความจำเพาะลำดับของดีเอ็นเอโปรตีนที่มีผลผูกพัน แต่ที่ไม่เหมาะสมสถาปัตยกรรมซีเอ็นเอ็นสามารถให้ผลผลิตด้อยประสิทธิภาพกว่ารุ่นที่เรียบง่าย ดังนั้นความเข้าใจในเชิงลึกของวิธีการเพื่อให้ตรงกับสถาปัตยกรรมของซีเอ็นเอ็นกับงานที่ได้รับเป็นสิ่งจำเป็นในการรองรับการควบคุมพลังของ CNNs สำหรับการใช้งานชีววิทยา

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียมขด ( ซีเอ็นเอ็น ) ได้สูงกว่าวิธีปกติในการสร้างลำดับความจำเพาะของดีเอ็นเอและโปรตีน . สถาปัตยกรรมซีเอ็นเอ็นยังไม่เหมาะสมจะให้ผลประสิทธิภาพด้อยกว่าที่เรียบง่ายแบบ ดังนั้น ความเข้าใจในเชิงลึกของวิธีการเพื่อให้ตรงกับสถาปัตยกรรมซีเอ็นเอ็น เพื่อต้องการให้งานเต็มเพื่อเทียมพลังของการ cnns ชีววิทยาเชิงคำนวณ .