論文の概要: Learning Bayesian Networks from Incomplete Data with the Node-Average Likelihood

• arxiv url: http://arxiv.org/abs/2004.14441v5
• Date: Thu, 22 Jul 2021 15:51:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 14:38:45.789349
• Title: Learning Bayesian Networks from Incomplete Data with the Node-Average Likelihood
• Title（参考訳）: Node-Average Likelihood を用いた不完全データからのベイズネットワークの学習
• Authors: Tjebbe Bodewes and Marco Scutari
• Abstract要約: 我々は,ノード平均化(NAL)が期待最大化(EM)と競合するが,計算効率がよいことを示す。 Balov (2013) は EM と競合するが計算効率が良く、Node-Average Likelihood (NAL) という代替手法を提案した。 NAL はもともと Balov (2013) で示されていたよりもはるかに広い適用性を示し、条件付きガウスBN に対しても EM と競合することを示した。
• 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: Bayesian network (BN) structure learning from complete data has been extensively studied in the literature. However, fewer theoretical results are available for incomplete data, and most are related to the Expectation-Maximisation (EM) algorithm. Balov (2013) proposed an alternative approach called Node-Average Likelihood (NAL) that is competitive with EM but computationally more efficient; and he proved its consistency and model identifiability for discrete BNs. In this paper, we give general sufficient conditions for the consistency of NAL; and we prove consistency and identifiability for conditional Gaussian BNs, which include discrete and Gaussian BNs as special cases. Furthermore, we confirm our results and the results in Balov (2013) with an independent simulation study. Hence we show that NAL has a much wider applicability than originally implied in Balov (2013), and that it is competitive with EM for conditional Gaussian BNs as well.
• Abstract（参考訳）: 完全データからのベイズネットワーク(bn)構造学習は文献で広く研究されている。 しかし、不完全データには理論的な結果が少なく、多くは期待最大化(EM)アルゴリズムに関連している。 Balov (2013) は EM と競合するが、計算効率が良く、離散BN に対して一貫性とモデル識別性を証明したNode-Average Likelihood (NAL) という代替手法を提案した。 本稿では, NAL の整合性に十分な条件を与えるとともに, 離散かつガウス的な BN を含む条件付きガウス BN の整合性と同一性を証明する。 さらに,Balov (2013) における実験結果と結果の独立シミュレーションによる検証を行った。 したがって、NAL はもともと Balov (2013) で示されていたよりもはるかに広い適用性を持ち、条件付きガウスBN に対しても EM と競合することを示した。

関連論文リスト

• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Testing Sparsity Assumptions in Bayesian Networks [0.0]
  本稿では、BN が 1 より大きい次数で最大値を持つかどうかを判断するために用いられる仮説テストの特性と偏りの過程について述べる。 この仮説を用いて適切な構造探索アルゴリズムを選択するのに役立つ線形BN構造探索ワークフローを提案する。
  論文  参考訳（メタデータ） (2023-07-12T18:46:22Z)
• Squared Neural Families: A New Class of Tractable Density Models [23.337256081314518]
  正方形ニューラルネットワークファミリー(SNEFY)と呼ばれる新しい確率分布のクラスを開発し,検討する。 SNEFYsは、多くの興味のある場合において閉形式正規化定数を認め、フレキシブルで完全にトラクタブルな密度モデルをもたらすことを示す。 それらのユーティリティは、データタスクの欠如による様々な密度推定、条件付き密度推定、および密度推定について説明される。
  論文  参考訳（メタデータ） (2023-05-22T23:56:11Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• BigBraveBN: algorithm of structural learning for bayesian networks with a large number of nodes [0.0]
  本稿では,多数のノード(100以上)を持つ大規模ベイズネットワークを学習するためのBigBraveBNアルゴリズムを提案する。 このアルゴリズムは、複数のグループのインスタンスの相互発生を測定するブレーブ係数を利用する。 記事では、BigBraveBNの性能を、離散的かつ連続的な複数のデータセット上の既存のソリューションと比較する。
  論文  参考訳（メタデータ） (2022-08-22T13:43:57Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• 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)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• Efficient Semi-Implicit Variational Inference [65.07058307271329]
  効率的でスケーラブルな半単純外挿 (SIVI) を提案する。 本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
  論文  参考訳（メタデータ） (2021-01-15T11:39:09Z)
• Hard and Soft EM in Bayesian Network Learning from Incomplete Data [1.5484595752241122]
  結果のBNの品質に対する信念伝搬の代わりにインプテーションを使用することの影響について検討する。 我々は,データの特徴に基づいて,複数のシナリオにおいて,あるアプローチを推奨できることを見出した。
  論文  参考訳（メタデータ） (2020-12-09T19:13:32Z)

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。