31st European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning 2023 (2023), Seite 315-320 1 Online-Ressource (712 Seiten)
31st European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning 2023 (2023), Seite 549-554 1 Online-Ressource (712 Seiten)
Dissertation Oldenburg, Universität Oldenburg 2023
Hochschulschrift
Data replication is an important research area, as reliable access to data makes up the base of most of the information technology services. High operation availabilities, low operation costs, and data consistency are the major conflicting targets in almost every research on data replication strategies. In this work, we proposed three data replication strategies which provide high operation availabilities and try to achieve strong data consistency with low operation costs. The strategies are: i) Semantic data replication (SDR). The SDR’s mechanism is to exploit data semantics and encoding techniques ii) Component-based highly available replication strategy (CbHaRS), it exploits operation types and a hybrid communication method– synchronous and asynchronous communication methods iii) Data replication strategy for the replicated service registry (DℜSℜ), it exploits a simple encoding scheme and a mapping method for efficient distribution of encoded values to the service registry nodes.
Datenreplikation ist ein wichtiges Forschungsgebiet, da ein zuverlässiger Zugriff auf Daten die Grundlage der meisten Dienste der Informationstechnologie bildet. Hohe Betriebsverfügbarkeit, niedrige Betriebskosten und Datenkonsistenz sind die Hauptzielkonflikte in fast jeder Forschung zu Datenreplikationsstrategien. In dieser Arbeit haben wir drei Datenreplikationsstrategien vorgeschlagen, die eine hohe Betriebsverfügbarkeit bieten und versuchen, eine starke Datenkonsistenz bei niedrigen Betriebskosten zu erreichen. Dies sind: i) Semantische Datenreplikation, ihr Mechanismus besteht darin, Datensemantik und Codierungstechniken zu nutzen. ii) Komponentenbasierte hochverfügbare Replikationsstrategie, sie nutzt Operationstypen und eine hybride Kommunikationsmethode. iii) Datenreplikationsstrategie für die replizierte Serviceverzeichnisse nutzt ein einfaches Kodierungsschema und eine Zuordnungsmethode für die effiziente Verteilung kodierter Werte an die Knoten des Serviceverzeichnisses.
HochschulschriftMaschinelles LernenMolekulardesignTransformer durch BeispielEvolutionärer AlgorithmusAlgorithmusSoft ComputingMetaheuristikNatural ComputingTransformationProgrammierspracheModellierungDeepfake
Künstliche Intelligenz kann helfen, Moleküle zu optimieren und neue molekulare Strukturen zu entdecken. Diese Arbeit konzentriert sich auf die Anpassung aktueller KI-Methoden für verschiedene molekulare Repräsentation zur Generierung medikamentenähnlicher Moleküle. Der Schwerpunkt liegt dabei auf evolutionären Algorithmen und Transformern. Es zeigt sich, dass evolutionäre Algorithmen bei der Optimierung von Molekülen für mehrere Zieleigenschaften effektiv sind. Transformer als generative neuronale Modelle hingegen nutzen bekannte molekulare Datenbanken und ermöglichen die Generierung innovativer Moleküle. In dieser Arbeit werden neue Wege zur Verwendung von Transformern für räumliche und graphenbasierte Darstellungen aufgezeigt. Schließlich eröffnet die Kombination von Transformern und evolutionären Algorithmen neue Möglichkeiten für die Molekülgenerierung.
Artificial intelligence can help optimize molecules and discover new molecular structures. This work focuses on adapting state-of-the-art AI methods for various molecular representations to generate drug-like molecules. Emphasis is placed on evolutionary algorithms and transformers. Evolutionary algorithms are shown to be effective in optimizing molecules for multiple target properties. Transformers as generative neural models, on the other hand, leverage known molecular databases and enable the generation of novel molecules. This work demonstrates new ways of using transformers for spatial and graph representations. Finally, combination of transformers and evolutionary algorithms opens new possibilities for molecule generation.
Diese Dissertation nutzt Techniken der Computational Intelligence in drei verschiedenen Bereichen. Im inanzsektor ist die Vorhersage zukünftiger Unternehmensgewinne entscheidend für Investitionen. Daher werden verschiedene Deep-Learning-Modelle eingesetzt, um Quartals- und Tagesaktiendaten zu analysieren, mit dem Ziel, genauere Vorhersagen als traditionelle Analystenschätzungen zu liefern. Der zweite Abschnitt befasst sich mit der Entwicklung von antiviralen Medikamenten, insbesondere mit der Unterbindung der viralen Replikation durch Proteaseinhibitoren. Es werden zwei neuartige evolutionäre Algorithmen zur Identifizierung geigneter roteaseinhibitoren vorgestellt, die durch Molekulardynamik-Simulationen weiter untersucht werden. Der letzte Abschnitt führt die Convolutional Self-Organizing Map für die Datenvisualisierung unter Berücksichtigung von High-Level-Features ein. Zur Bewertung der semantischen Korrelationen innerhalb der Daten werden mehrere Metriken vorgeschlagen.
This dissertation leverages computational intelligence techniques across three distinct fields. Within the finance industry, forecasting a company's future earnings is crucial for investment decisions. To this end, various deep learning models are employed to analyze quarterly and daily stock data, aiming for more accurate predictions than traditional analyst estimates. The second section explores antiviral medication development, focusing on halting viral replication through protease inhibitors. It introduces two novel evolutionary algorithms for identifying potent protease inhibitors, whose efficacy is further examined through molecular dynamics simulations. The final segment introduces the Convolutional Self-Organizing Map framework for data visualization, emphasizing the extraction of high-level features. This section also proposes multiple metrics to assess the semantic correlations within the data.
Diese Arbeit untersucht die Forschungsfrage, wie sozialwissenschaftliche Primärforschung zu Akzeptanz und Nutzung von Mobilitätsangeboten mit einem entsprechend zu entwickelnden Mobilitätssimulationssystem unterstützt werden kann. Nach der Analyse des Stands der Technik werden Anforderungen an das zu entwickelnde Mobilitätssimulationssystem erhoben und ein entsprechendes Konzept erstellt. Dazu wird auf Grundlage verkehrsplanerischer, technisch-informatischer sowie sozialwissenschaftlicher Ansätze eine agentenbasierte Architektur als Simulationsmodell formuliert und ein auf Fuzzyinferenz basierendes generisches Inferenzmodell für das nutzenbasierte Entscheidungsverhalten der Agenten entwickelt. Das Mobilitätssimulationssystem wird prototypisch als Multiagentensystem implementiert und hinsichtlich der Forschungsfrage evaluiert. Es kann gezeigt werden, dass der Prototyp zur Simulation von Akzeptanz und Nutzung von Mobilitätsangeboten geeignet ist und eingesetzt werden kann.
This thesis investigates the research question of how socio-scientific field research on acceptance and use of mobility services can be supported with an accordingly developed mobility simulation system.After the analysis of the state of the art, requirements for the mobility simulation system to be developed are determined and a corresponding concept is developed. For this purpose and based on fundamentals from traffic planning, computer science and the social sciences, an agent-based architecture to be used as the simulation model is formulated and a generic inference model based on fuzzy inference to be used for the utility-based decision making of the agents is developed. A prototype of the mobility simulation system is implemented and evaluated with regard to the research question.It can be shown that the prototype is suitable and can be used to simulate the acceptance and use of mobility services.