論文の概要: A Tutorial on Learning With Bayesian Networks
- arxiv url: http://arxiv.org/abs/2002.00269v3
- Date: Mon, 10 Jan 2022 14:26:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 00:38:04.699609
- Title: A Tutorial on Learning With Bayesian Networks
- Title（参考訳）: ベイズネットワークを用いた学習のチュートリアル
- Authors: David Heckerman
- Abstract要約: ベイズネットワークは、興味のある変数間の確率的関係を符号化するグラフィカルモデルである。
ベイズネットワークは因果関係の学習に利用できる。
また、問題領域の理解を得、介入の結果を予測するためにも使用できる。
- 参考スコア（独自算出の注目度）: 8.98526174345299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A Bayesian network is a graphical model that encodes probabilistic
relationships among variables of interest. When used in conjunction with
statistical techniques, the graphical model has several advantages for data
analysis. One, because the model encodes dependencies among all variables, it
readily handles situations where some data entries are missing. Two, a Bayesian
network can be used to learn causal relationships, and hence can be used to
gain understanding about a problem domain and to predict the consequences of
intervention. Three, because the model has both a causal and probabilistic
semantics, it is an ideal representation for combining prior knowledge (which
often comes in causal form) and data. Four, Bayesian statistical methods in
conjunction with Bayesian networks offer an efficient and principled approach
for avoiding the overfitting of data. In this paper, we discuss methods for
constructing Bayesian networks from prior knowledge and summarize Bayesian
statistical methods for using data to improve these models. With regard to the
latter task, we describe methods for learning both the parameters and structure
of a Bayesian network, including techniques for learning with incomplete data.
In addition, we relate Bayesian-network methods for learning to techniques for
supervised and unsupervised learning. We illustrate the graphical-modeling
approach using a real-world case study.
- Abstract（参考訳）: ベイズネットワークは、興味のある変数間の確率的関係を符号化するグラフィカルモデルである。
統計手法と併用すると、グラフィカルモデルはデータ解析にいくつかの利点がある。
ひとつは、モデルがすべての変数間の依存関係をエンコードするため、いくつかのデータエントリが欠落している状況を簡単に処理できることだ。
第二に、ベイジアンネットワークは因果関係の学習に利用することができ、そのため問題領域の理解と介入の結果の予測に利用することができる。
3)モデルには因果的意味論と確率的意味論の両方があるため、(しばしば因果的形式で現れる)事前知識とデータを組み合わせるのに理想的な表現である。
4つのベイズ統計手法はベイズネットワークと連携し、データの過剰フィットを避けるための効率的かつ原理的なアプローチを提供する。
本稿では,ベイジアンネットワークを事前知識から構築する手法について議論し,ベイジアン統計手法を要約してそれらのモデルを改善する。
後者の課題については,不完全データを用いた学習手法を含むベイズネットワークのパラメータと構造の両方を学習する手法について述べる。
さらに,ベイズネットワーク学習手法と教師なし学習手法との関連性について検討した。
実世界のケーススタディを用いてグラフィカルモデリングアプローチを説明する。
関連論文リスト
- Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。
本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
論文 参考訳（メタデータ） (2024-02-08T22:05:45Z) - BClean: A Bayesian Data Cleaning System [17.525913626374503]
BCleanは自動ベイズネットワーク構築とユーザインタラクションを備えたベイズクリーニングシステムである。
実世界のデータセットと合成データセットの両方で評価することにより、B BCleanはデータのクリーニングにおいて最大0.9のF測定を達成できることを示した。
論文 参考訳（メタデータ） (2023-11-11T09:22:07Z) - VertiBayes: Learning Bayesian network parameters from vertically partitioned data with missing values [2.9707233220536313]
フェデレーション学習は、分散データに基づいて機械学習モデルをトレーニングすることを可能にする。
本稿では,垂直分割データ上でベイズネットワークを学習するためのVertiBayesという新しい手法を提案する。
提案手法は,従来のアルゴリズムを用いて学習したモデルに匹敵するモデルを生成する。
論文 参考訳（メタデータ） (2022-10-31T11:13:35Z) - Rethinking Bayesian Learning for Data Analysis: The Art of Prior and
Inference in Sparsity-Aware Modeling [20.296566563098057]
信号処理と機械学習のためのスパースモデリングは、20年以上にわたって科学研究の焦点となっている。
本稿では,3つの一般的なデータモデリングツールにスパーシティ・プロモーティング・プリエントを組み込むことの最近の進歩を概観する。
論文 参考訳（メタデータ） (2022-05-28T00:43:52Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - GRAFFL: Gradient-free Federated Learning of a Bayesian Generative Model [8.87104231451079]
本稿では、GRAFFLと呼ばれる、最初の勾配のない連邦学習フレームワークを提案する。
参加する各機関から得られた暗黙の情報を用いて、パラメータの後方分布を学習する。
本稿では,GRAFFLに基づくベイズ混合モデルを提案する。
論文 参考訳（メタデータ） (2020-08-29T07:19:44Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - BayesFlow: Learning complex stochastic models with invertible neural
networks [3.1498833540989413]
可逆ニューラルネットワークに基づく世界規模のベイズ推定手法を提案する。
BayesFlowは、観測されたデータを最大情報的な要約統計に埋め込むよう訓練された要約ネットワークを組み込んでいる。
本研究では, 人口動態, 疫学, 認知科学, 生態学の難易度モデルに対するベイズフローの有用性を実証する。
論文 参考訳（メタデータ） (2020-03-13T13:39:31Z)
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。