Detailansicht
Using a Kolmogorov-Arnold neural network to distinguish Felsenstein zone from Farris zone
Lea Sophie Scherer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Bioinformatik
Betreuer*in
Arndt von Haeseler
DOI
10.25365/thesis.79707
URN
urn:nbn:at:at-ubw:1-16272.01285.510680-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit untersucht die Anwendung eines Kolmogorov-Arnold neuronalen Netzes (KAN), wie es von Liu et al. präsentiert wurde, auf ein phylogenetisches Klassifikationsproblem: die Unterscheidung zwischen vier Taxon DNA-Alignments, die sich unter Farris- oder Felsenstein-Bäumen entwickelt haben. Diese Baumtypen unterscheiden sich in erster Linie in der Verteilung der Astlängen, was dazu führt, dass je nach verwendetem Verfahren, Maximum Parsimony oder Maximum Likelihood, unterschiedliche Rekonstruktionsresultate erzielt werden. Aufbauend auf der Arbeit von Leuchtenberger et al., in der für diese Aufgabe ein klassisches feedforward neuronales Netz eingesetzt wurde, wird in dieser Arbeit untersucht, ob ein KAN eine vergleichbare Vorhersageleistung erreichen kann und dabei zugleich eine größere Interpretierbarkeit bietet. Um eine direkte Vergleichbarkeit sicherzustellen, wurde derselbe Datensatz wie in Leuchtenberger et al. verwendet. Das KAN war in der Lage, diese Aufgabe mit derselben Leistung zu lösen wie das von Leuchtenberger et al. eingeführte Netz. Die Ergebnisse zeigen, dass KANs in der Lage sind, die Klassifikationsaufgabe effektiv zu bewältigen.
Abstract
(Englisch)
This thesis investigates the application of a Kolmogorov-Arnold neural network (KAN), as proposed by Liu et al., to a phylogenetic classification problem: distinguishing between four taxon DNA alignments evolved under Farris or Felsenstein trees. These tree types differ primarily in branch length distribution, leading to different reconstruction outcomes depending on whether maximum parsimony or maximum likelihood methods are used. Building on the work of Leuchtenberger et al., where a classical feedforward neural network was used for this task, this thesis explores whether a KAN can achieve comparable predictive performance while offering greater interpretability. The same dataset as in Leuchtenberger et al. was used to ensure direct comparability. The KAN was able to solve this task with the same performance as the network introduced by Leuchtenberger et al.. These results demonstrate that KANs are capable of solving the classification task effectively.
Schlagwörter
Schlagwörter
(Deutsch)
Kolmogorov-Arnold neuronales Netz Phylogenetik Neuronale Netze
Schlagwörter
(Englisch)
Kolmogorov-Arnold neural network Phylogenetics Neural networks
Autor*innen
Lea Sophie Scherer
Haupttitel (Englisch)
Using a Kolmogorov-Arnold neural network to distinguish Felsenstein zone from Farris zone
Publikationsjahr
2025
Umfangsangabe
vii, 71 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Arndt von Haeseler
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17718744
Utheses ID
78146
Studienkennzahl
UA | 066 | 875 | |