論文の概要: Learning Bayesian Networks that enable full propagation of evidence

• arxiv url: http://arxiv.org/abs/2004.04571v2
• Date: Fri, 5 Jun 2020 14:16:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 01:52:18.261389
• Title: Learning Bayesian Networks that enable full propagation of evidence
• Title（参考訳）: 証拠の完全な伝播を可能にするベイズネットワークの学習
• Authors: Anthony Constantinou
• Abstract要約: 本稿では,入力変数が依存しているという議論を呼んだ仮定の下で,近年のベイズネットワーク(BN)構造学習の展開について述べる。 これは、証拠の完全な伝播が不可能な複数の解離部分グラフを学習する問題に対処する。 本稿では,この問題に対処する新しいハイブリッド構造学習アルゴリズムであるSayanHを提案する。
• 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: This paper builds on recent developments in Bayesian network (BN) structure learning under the controversial assumption that the input variables are dependent. This assumption can be viewed as a learning constraint geared towards cases where the input variables are known or assumed to be dependent. It addresses the problem of learning multiple disjoint subgraphs that do not enable full propagation of evidence. This problem is highly prevalent in cases where the sample size of the input data is low with respect to the dimensionality of the model, which is often the case when working with real data. The paper presents a novel hybrid structure learning algorithm, called SaiyanH, that addresses this issue. The results show that this constraint helps the algorithm to estimate the number of true edges with higher accuracy compared to the state-of-the-art. Out of the 13 algorithms investigated, the results rank SaiyanH 4th in reconstructing the true DAG, with accuracy scores lower by 8.1% (F1), 10.2% (BSF), and 19.5% (SHD) compared to the top ranked algorithm, and higher by 75.5% (F1), 118% (BSF), and 4.3% (SHD) compared to the bottom ranked algorithm. Overall, the results suggest that the proposed algorithm discovers satisfactorily accurate connected DAGs in cases where other algorithms produce multiple disjoint subgraphs that often underfit the true graph.
• Abstract（参考訳）: 本稿では,入力変数が依存しているという議論を呼んだ仮定の下で,近年のベイズネットワーク(BN)構造学習の展開について述べる。 この仮定は、入力変数が既知の場合や依存していると仮定された場合の学習制約と見なすことができる。 これは、証拠の完全な伝播が不可能な複数の解離部分グラフを学習する問題に対処する。 この問題は、実際のデータを扱う場合によく発生する、モデルの次元に関して入力データのサンプルサイズが低くなる場合において、非常に一般的である。 本稿では,この問題に対処する新しいハイブリッド構造学習アルゴリズムであるsaiyanhを提案する。 その結果、この制約は、アルゴリズムが最先端よりも精度の高い真のエッジ数を推定するのに役立ちます。 調査した13のアルゴリズムのうち、真のdagの再構成においてサイヤナは、上位のアルゴリズムと比較して8.1% (f1), 10.2% (bsf), 19.5% (shd)、下位のアルゴリズムに比べて75.5% (f1), 118% (bsf), 4.3% (shd) の4位にランク付けされた。 その結果,他のアルゴリズムが真のグラフに不適合な複数の不整合部分グラフを生成する場合において,提案アルゴリズムは十分正確な連結DAGを発見することが示唆された。

関連論文リスト

• A Full DAG Score-Based Algorithm for Learning Causal Bayesian Networks with Latent Confounders [0.0]
  因果ベイズネットワーク(Causal Bayesian Network, CBN)は、変数間の因果関係を符号化する一般的なグラフィカル確率モデルである。 本稿では,DAGの空間を探索し,潜在する共同設立者の存在を識別できる,初めての完全スコアに基づく構造学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-20T20:25:56Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Hybrid Bayesian network discovery with latent variables by scoring multiple interventions [5.994412766684843]
  離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。 このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。 実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2021-12-20T14:54:41Z)
• Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise Learning [65.54757265434465]
  ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。 オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。 本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:10:48Z)
• Active-LATHE: An Active Learning Algorithm for Boosting the Error Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
  我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。 我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
  論文  参考訳（メタデータ） (2021-10-27T10:45:21Z)
• Improving Accuracy of Permutation DAG Search using Best Order Score Search [3.553493344868414]
  Sparsest Permutation (SP)アルゴリズムは正確だが、実際には約9変数に制限されている。 Greedy Sparest Permutation (GSP)アルゴリズムは高速だが理論的には弱い。 妥協点としてベスト・オーダースコア・サーチ(Best Order Score Search)がある。
  論文  参考訳（メタデータ） (2021-08-17T13:46:34Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Large-scale empirical validation of Bayesian Network structure learning algorithms with noisy data [9.04391541965756]
  本稿では、15個の構造学習アルゴリズムの性能について検討する。 各アルゴリズムは、複数のケーススタディ、サンプルサイズ、ノイズの種類、および複数の評価基準で評価される。 その結果、従来の合成性能は、実世界のパフォーマンスを10%以上50%以上で過大評価する可能性があることが示唆された。
  論文  参考訳（メタデータ） (2020-05-18T18:40:09Z)

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。