論文の概要: Discrete graphical models -- an optimization perspective

• arxiv url: http://arxiv.org/abs/2001.09017v1
• Date: Fri, 24 Jan 2020 14:01:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 05:33:24.693887
• Title: Discrete graphical models -- an optimization perspective
• Title（参考訳）: 離散グラフィカルモデル --最適化の観点から
• Authors: Bogdan Savchynskyy
• Abstract要約: グラフィカルモデルに対する最大後部推論を、純粋に最適化問題とみなす。 整数線型プログラミングの定式化と、その線形プログラミング、ラグランジュおよびラグランジュ分解をカバーしている。
• 参考スコア（独自算出の注目度）: 4.113591581607196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This monograph is about discrete energy minimization for discrete graphical models. It considers graphical models, or, more precisely, maximum a posteriori inference for graphical models, purely as a combinatorial optimization problem. Modeling, applications, probabilistic interpretations and many other aspects are either ignored here or find their place in examples and remarks only. It covers the integer linear programming formulation of the problem as well as its linear programming, Lagrange and Lagrange decomposition-based relaxations. In particular, it provides a detailed analysis of the polynomially solvable acyclic and submodular problems, along with the corresponding exact optimization methods. Major approximate methods, such as message passing and graph cut techniques are also described and analyzed comprehensively. The monograph can be useful for undergraduate and graduate students studying optimization or graphical models, as well as for experts in optimization who want to have a look into graphical models. To make the monograph suitable for both categories of readers we explicitly separate the mathematical optimization background chapters from those specific to graphical models.
• Abstract（参考訳）: このモノグラフは、離散的グラフィカルモデルに対する離散エネルギー最小化に関するものである。 グラフィカルモデル、あるいはより正確には、グラフィカルモデルに対する最大後部推論を、純粋に組合せ最適化問題として考える。 モデリング、アプリケーション、確率論的解釈、その他多くの側面はここで無視されるか、例や発言でのみその場所を見つける。 問題の整数線形計画定式化や、線形計画法、ラグランジュ分解法、ラグランジュ分解に基づく緩和法を扱っている。 特に、多項式可解な非巡回問題と部分モジュラー問題の詳細な解析と対応する正確な最適化方法を提供する。 メッセージパッシングやグラフカットといった近似手法についても概説し,解析を行った。 モノグラフは、大学生や大学院生が最適化やグラフィカルモデルを研究するのに有用であり、また、グラフィカルモデルを調べたい最適化の専門家にも有用である。 両カテゴリの読者に相応しいグラフを作成するために,数学最適化の背景章をグラフィカルモデル特有の章と明確に分離する。

関連論文リスト

• Polynomial Graphical Lasso: Learning Edges from Gaussian Graph-Stationary Signals [18.45931641798935]
  本稿では,Nudal信号からグラフ構造を学習する新しい手法であるPolynomial Graphical Lasso (PGL)を紹介する。 我々の重要な貢献は、グラフ上のガウス的および定常的な信号であり、グラフ学習ラッソの開発を可能にすることである。
  論文  参考訳（メタデータ） (2024-04-03T10:19:53Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• On the Optimal Recovery of Graph Signals [10.098114696565865]
  グラフ信号処理問題に対して最適あるいはほぼ最適な正規化パラメータを演算する。 本結果は,グラフに基づく学習における古典的最適化手法の新しい解釈を提供する。 半合成グラフ信号処理データセットの数値実験における本手法の可能性について述べる。
  論文  参考訳（メタデータ） (2023-04-02T07:18:11Z)
• Joint Graph and Vertex Importance Learning [47.249968772606145]
  ラプラシアンアプローチと比較してエッジウェイト上界が小さいグラフを学習する新しい手法を提案する。 実験により, より解釈可能なモデルを用いて, ラプラシアン法に比べてスペーサーグラフが多数得られた。
  論文  参考訳（メタデータ） (2023-03-15T12:12:13Z)
• Interpretable and Scalable Graphical Models for Complex Spatio-temporal Processes [3.469001874498102]
  論文は、複雑な時間構造を持つデータと、解釈可能かつ解釈可能な方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。 この方法論の実践的応用は、実際のデータセットを用いて検討される。 これには、データを用いた脳接続分析、太陽画像データを用いた宇宙天気予報、Twitterデータを用いた世論の縦断的分析、TalkLifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
  論文  参考訳（メタデータ） (2023-01-15T05:39:30Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Graph Coding for Model Selection and Anomaly Detection in Gaussian Graphical Models [2.752817022620644]
  ガウス図形モデルにおけるデータ解析のための記述長を拡張する。 本手法は,モデルの複雑さを正確に説明するために普遍的なグラフ符号化法を用いる。 実験により,本手法は一般的に用いられる手法と比較して優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-02-04T06:13:52Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。