論文の概要: Learning Gaussian Graphical Models via Multiplicative Weights
- arxiv url: http://arxiv.org/abs/2002.08663v2
- Date: Tue, 25 Feb 2020 03:07:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 07:45:47.878055
- Title: Learning Gaussian Graphical Models via Multiplicative Weights
- Title（参考訳）: 乗法重みによるガウス図形モデルの学習
- Authors: Anamay Chaturvedi and Jonathan Scarlett
- Abstract要約: 乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
- 参考スコア（独自算出の注目度）: 54.252053139374205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graphical model selection in Markov random fields is a fundamental problem in
statistics and machine learning. Two particularly prominent models, the Ising
model and Gaussian model, have largely developed in parallel using different
(though often related) techniques, and several practical algorithms with
rigorous sample complexity bounds have been established for each. In this
paper, we adapt a recently proposed algorithm of Klivans and Meka (FOCS, 2017),
based on the method of multiplicative weight updates, from the Ising model to
the Gaussian model, via non-trivial modifications to both the algorithm and its
analysis. The algorithm enjoys a sample complexity bound that is qualitatively
similar to others in the literature, has a low runtime $O(mp^2)$ in the case of
$m$ samples and $p$ nodes, and can trivially be implemented in an online
manner.
- Abstract（参考訳）: マルコフ確率場におけるグラフィカルモデル選択は統計学と機械学習の基本的な問題である。
特に顕著な2つのモデル、イジングモデルとガウスモデル(英語版)は、異なる(しばしば関連する)手法を用いて並列に開発され、厳密なサンプル複雑性境界を持ついくつかの実用的なアルゴリズムがそれぞれ確立されている。
本稿では,Ising モデルから Gauss モデルへの乗算重み更新手法に基づく,最近提案された Klivans and Meka (FOCS, 2017) アルゴリズムを,アルゴリズムと解析の両方に非自明な修正により適応する。
このアルゴリズムは、文献上の他のものと定性的に類似したサンプル複雑性境界を楽しみ、$m$サンプルと$p$ノードの場合、低ランタイムの$O(mp^2)$を持ち、オンラインで簡単に実装することができる。
関連論文リスト
- Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳（メタデータ） (2024-03-08T18:50:19Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Improving Sample Efficiency of Model-Free Algorithms for Zero-Sum Markov Games [66.2085181793014]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳（メタデータ） (2023-08-17T08:34:58Z) - Large-scale Bayesian Structure Learning for Gaussian Graphical Models using Marginal Pseudo-likelihood [0.26249027950824516]
我々は2つの新しいマルコフ連鎖モンテカルロ探索アルゴリズムを導入する。
これらのアルゴリズムは、1000変数の大規模問題であっても、標準コンピュータ上でわずか数分で信頼性の高い結果を提供できる。
また,ヒトおよびマウスの遺伝子発現研究における中・大規模応用における本手法の有用性について述べる。
論文 参考訳（メタデータ） (2023-06-30T20:37:40Z) - Scaling up the self-optimization model by means of on-the-fly
computation of weights [0.8057006406834467]
この研究は、ノード数$N$に対して$mathcalOleft(N2right)$としてスケールするセルフ最適化(SO)モデルの新たな実装を導入している。
我々のオンザフライ計算は、より大規模なシステムサイズを調査するための道を開くもので、将来の研究においてより多様で複雑になる。
論文 参考訳（メタデータ） (2022-11-03T10:51:25Z) - Optimal estimation of Gaussian DAG models [14.240183323622288]
観測データからガウス指向非巡回グラフ(DAG)を学習する際の最適なサンプル複雑性について検討した。
我々の結果は、より一般的な同定の仮定や、ガウス以下の誤りにも及んでいる。
論文 参考訳（メタデータ） (2022-01-25T18:56:56Z) - Learning Linear Models Using Distributed Iterative Hessian Sketching [4.567810220723372]
観測データから線形システムのマルコフパラメータを学習する問題を考察する。
Hessian-Sketchingに基づくランダムに分散されたニュートンアルゴリズムは、$epsilon$-optimal Solutionを生成可能であることを示す。
論文 参考訳（メタデータ） (2021-12-08T04:07:23Z) - Near-Optimal Reward-Free Exploration for Linear Mixture MDPs with
Plug-in Solver [32.212146650873194]
報酬信号のガイダンスを使わずにRLモデルを効率的に学習するためのアプローチを提案する。
特に、私たちは、探索フェーズにおけるモデル学習に集中するプラグインソルバアプローチを採用しています。
新たな探索アルゴリズムを確立することで,プラグインアプローチは環境との相互作用を$tildeO(d2H3/epsilon2)$とすることでモデルを学習することを示す。
論文 参考訳（メタデータ） (2021-10-07T07:59:50Z) - Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。
複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。
これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文 参考訳（メタデータ） (2021-03-25T14:35:07Z) - Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。
提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
論文 参考訳（メタデータ） (2020-03-30T15:37:50Z)
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。