論文の概要: Gaussian Graphical Model exploration and selection in high dimension low
sample size setting
- arxiv url: http://arxiv.org/abs/2003.05169v1
- Date: Wed, 11 Mar 2020 09:00:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 13:36:27.648426
- Title: Gaussian Graphical Model exploration and selection in high dimension low
sample size setting
- Title(参考訳): 高次元低サンプルサイズ設定におけるガウス図形モデル探索と選択
- Authors: Thomas Lartigue (ARAMIS, CMAP), Simona Bottani (ARAMIS), Stephanie
Baron (HEGP), Olivier Colliot (ARAMIS), Stanley Durrleman (ARAMIS),
St\'ephanie Allassonni\`ere (CRC (UMR\_S\_1138 / U1138))
- Abstract要約: GGM推論手法の2つのファミリ(ノードワイドエッジ選択)とペナル化極大化(ペナル化極大化)を比較した。
まず、脳画像データ、次に生物学的ネフローロジデータに関する2つの具体的なケースについて、アルゴリズムの関心を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian Graphical Models (GGM) are often used to describe the conditional
correlations between the components of a random vector. In this article, we
compare two families of GGM inference methods: nodewise edge selection and
penalised likelihood maximisation. We demonstrate on synthetic data that, when
the sample size is small, the two methods produce graphs with either too few or
too many edges when compared to the real one. As a result, we propose a
composite procedure that explores a family of graphs with an nodewise numerical
scheme and selects a candidate among them with an overall likelihood criterion.
We demonstrate that, when the number of observations is small, this selection
method yields graphs closer to the truth and corresponding to distributions
with better KL divergence with regards to the real distribution than the other
two. Finally, we show the interest of our algorithm on two concrete cases:
first on brain imaging data, then on biological nephrology data. In both cases
our results are more in line with current knowledge in each field.
- Abstract(参考訳): ガウス図形モデル(GGM)は、乱ベクトルの成分間の条件相関を記述するためにしばしば用いられる。
本稿では,ノードワイズエッジ選択法とペナルティ付き確率最大化法という2種類のggm推定法を比較した。
合成データでは,サンプルサイズが小さい場合には,実データと比較した場合にエッジ数が少なすぎるか,あるいは多すぎるグラフを生成する。
その結果,グラフの族をノード単位の数値スキームで探索し,その中の候補を全体の可能性基準で選択する合成手順を提案する。
観測回数が小さい場合には、この選択法はグラフを真理に近いものにし、実分布に関して他の2つよりも優れたkl発散率を持つ分布に対応する。
最後に,まず脳画像データ,次に生物学的ネフローロジーデータ,という2つの具体例に対するアルゴリズムの関心を示す。
どちらの場合も、我々の結果は各分野における現在の知識と一致している。
関連論文リスト
- Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。
提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
論文 参考訳(メタデータ) (2024-03-04T11:24:51Z) - False Discovery Rate Control for Gaussian Graphical Models via
Neighborhood Screening [1.7924920920347915]
グラフ学習におけるノードワイズ変数の選択手法を導入し、選択したエッジセットの誤り発見率を自己推定レベルで確実に制御する。
個々の近傍の新たな融合法は、無向グラフ推定を出力する。
論文 参考訳(メタデータ) (2024-01-18T13:46:41Z) - On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
本稿では,グラフ畳み込みと混合手法の関係について検討する。
2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。
グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
論文 参考訳(メタデータ) (2023-09-29T23:09:54Z) - Graph Fourier MMD for Signals on Graphs [67.68356461123219]
本稿では,グラフ上の分布と信号の間の新しい距離を提案する。
GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。
グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
論文 参考訳(メタデータ) (2023-06-05T00:01:17Z) - Exploration of the search space of Gaussian graphical models for paired data [0.0]
我々は、ペアデータ問題に特有な色付きガウス図形モデル群に焦点をあてる。
双対順序と呼ばれるモデル間の新しい順序を導入する。
この順序に埋め込まれたモデル空間は、モデル包含格子とは異なり、分配的な格子であることを示す。
論文 参考訳(メタデータ) (2023-03-09T19:58:13Z) - Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。
ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。
我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
論文 参考訳(メタデータ) (2022-10-15T08:01:08Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-11T16:15:25Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。