論文の概要: Thresholded Adaptive Validation: Tuning the Graphical Lasso for Graph Recovery

• arxiv url: http://arxiv.org/abs/2005.00466v2
• Date: Tue, 30 Mar 2021 09:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 23:17:40.657990
• Title: Thresholded Adaptive Validation: Tuning the Graphical Lasso for Graph Recovery
• Title（参考訳）: 閾値付き適応検証:グラフ回復のためのグラフィカルラッソのチューニング
• Authors: Mike Laszkiewicz, Asja Fischer, Johannes Lederer
• Abstract要約: 本稿では,正規化最適化問題に対する一般的なキャリブレーション手法を提案し,それをグラフィカルラッソに適用する。 シミュレーションでは、他の手法のグラフ回復において、我々の手法が大幅に改善できることが示される。
• 参考スコア（独自算出の注目度）: 15.732950126814089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many Machine Learning algorithms are formulated as regularized optimization problems, but their performance hinges on a regularization parameter that needs to be calibrated to each application at hand. In this paper, we propose a general calibration scheme for regularized optimization problems and apply it to the graphical lasso, which is a method for Gaussian graphical modeling. The scheme is equipped with theoretical guarantees and motivates a thresholding pipeline that can improve graph recovery. Moreover, requiring at most one line search over the regularization path, the calibration scheme is computationally more efficient than competing schemes that are based on resampling. Finally, we show in simulations that our approach can improve on the graph recovery of other approaches considerably.
• Abstract（参考訳）: 多くの機械学習アルゴリズムは正規化最適化問題として定式化されているが、その性能は各アプリケーションに対して調整が必要な正規化パラメータに依存している。 本稿では,正規化最適化問題に対する一般的なキャリブレーションスキームを提案し,ガウスのグラフィカルモデリング手法であるgraphical lassoに適用する。 このスキームは理論的保証を備えており、グラフリカバリを改善するしきい値パイプラインを動機付けている。 さらに,正規化経路上の1行の探索を必要とする場合,校正方式は再サンプリングに基づく競合方式よりも計算効率が高い。 最後に,本手法が他の手法のグラフリカバリを大幅に改善できることをシミュレーションで示す。

関連論文リスト

• Gradient-Variation Online Learning under Generalized Smoothness [56.38427425920781]
  勾配変分オンライン学習は、オンライン関数の勾配の変化とともにスケールする後悔の保証を達成することを目的としている。 ニューラルネットワーク最適化における最近の取り組みは、一般化された滑らかさ条件を示唆し、滑らかさは勾配ノルムと相関する。 ゲームにおける高速収束と拡張逆最適化への応用について述べる。
  論文  参考訳（メタデータ） (2024-08-17T02:22:08Z)
• Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
  emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。 本稿では,直感的に設計を記述し,設計選択について説明する。 本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
  論文  参考訳（メタデータ） (2023-10-31T16:15:13Z)
• Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
  ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。 本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。 本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T06:06:29Z)
• On the Optimal Recovery of Graph Signals [10.098114696565865]
  グラフ信号処理問題に対して最適あるいはほぼ最適な正規化パラメータを演算する。 本結果は,グラフに基づく学習における古典的最適化手法の新しい解釈を提供する。 半合成グラフ信号処理データセットの数値実験における本手法の可能性について述べる。
  論文  参考訳（メタデータ） (2023-04-02T07:18:11Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• SUPER-ADAM: Faster and Universal Framework of Adaptive Gradients [99.13839450032408]
  一般的な問題を解決するための適応アルゴリズムのための普遍的な枠組みを設計することが望まれる。 特に,本フレームワークは,非収束的設定支援の下で適応的手法を提供する。
  論文  参考訳（メタデータ） (2021-06-15T15:16:28Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)
• Alternating minimization algorithms for graph regularized tensor completion [8.26185178671935]
  我々は、低ランクテンソル完備化(LRTC)に対するカノニカルポリアディック(CP)分解法を考える。 グラフ正規化の使用にはLRTCの学習精度のメリットが伴うが、同時に結合グラフラプラシア語を誘導する。 基礎となるCP分解モデルにおけるブロック構造を利用して, 効率の良い同期最小化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-28T23:20:49Z)
• Methods of Adaptive Signal Processing on Graphs Using Vertex-Time Autoregressive Models [0.0]
  ランダムプロセスの概念は、最近グラフ信号に拡張されている。 この問題のオンライン版はアダプティブフレームワークを通じて提案された。 可能性、可能性、そしてこの研究の可能性について光を当てるために実験が行われた。
  論文  参考訳（メタデータ） (2020-03-10T12:42:27Z)
• Optimization of Graph Total Variation via Active-Set-based Combinatorial Reconditioning [48.42916680063503]
  本稿では,この問題クラスにおける近位アルゴリズムの適応型事前条件付け手法を提案する。 不活性エッジのネスト・フォレスト分解により局所収束速度が保証されることを示す。 この結果から,局所収束解析は近似アルゴリズムにおける可変指標選択の指針となることが示唆された。
  論文  参考訳（メタデータ） (2020-02-27T16:33:09Z)

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。