Fugu-MT 論文翻訳(概要): The Inverse G-Wishart Distribution and Variational Message Passing

論文の概要: The Inverse G-Wishart Distribution and Variational Message Passing

arxiv url: http://arxiv.org/abs/2005.09876v3
Date: Fri, 11 Dec 2020 06:35:47 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 04:46:47.342136
Title: The Inverse G-Wishart Distribution and Variational Message Passing
Title（参考訳）: 逆G-ウィッシュアート分布と変分メッセージパッシング
Authors: L. Maestrini and M.P. Wand
Abstract要約: Inverse G-Wishart family of distributions(英語版)は、基本的な変分メッセージパッシング係数グラフの断片をエレガントかつ簡潔に表現できることを示した。因子グラフ上のメッセージパッシングは、任意のグラフィカルな大モデルに対する近似推論アルゴリズムのコーディングのための強力なパラダイムである。
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: Message passing on a factor graph is a powerful paradigm for the coding of approximate inference algorithms for arbitrarily graphical large models. The notion of a factor graph fragment allows for compartmentalization of algebra and computer code. We show that the Inverse G-Wishart family of distributions enables fundamental variational message passing factor graph fragments to be expressed elegantly and succinctly. Such fragments arise in models for which approximate inference concerning covariance matrix or variance parameters is made, and are ubiquitous in contemporary statistics and machine learning.
Abstract（参考訳）: 因子グラフ上のメッセージパッシングは、任意のグラフィカルな大モデルに対する近似推論アルゴリズムのコーディングのための強力なパラダイムである。因子グラフフラグメントの概念は、代数とコンピュータコードの区画化を可能にする。 Inverse G-Wishart family of distributionsにより、基本的な変動メッセージパッシング係数グラフの断片をエレガントかつ簡潔に表現できることが示されている。このような断片は共分散行列や分散パラメータに関する近似推論が作成されるモデルに現れ、現代の統計学や機械学習においてユビキタスである。

関連論文リスト

Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文参考訳（メタデータ） (2024-11-08T17:40:43Z)
Rethinking Dimensional Rationale in Graph Contrastive Learning from Causal Perspective [15.162584339143239]
グラフコントラスト学習(Graph contrastive learning)は、グラフの様々な摂動から不変情報を捉えるのに優れた一般的な学習パラダイムである。最近の研究は、グラフから構造的理性を探究することに集中し、不変情報の識別可能性を高める。本稿では,学習可能な次元理性獲得ネットワークと冗長性低減制約を導入した,次元理性対応グラフコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2023-12-16T10:05:18Z)
Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文参考訳（メタデータ） (2023-10-10T08:40:47Z)
Creating generalizable downstream graph models with random projections [22.690120515637854]
本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
論文参考訳（メタデータ） (2023-02-17T14:27:00Z)
Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
LDPC codes: comparing cluster graphs to factor graphs [0.0]
確率的グラフィカルモデルでは、クラスタグラフは推論中にランダム変数間の有用な依存を保持する。本研究では、LDPC符号の文脈におけるこれらの利点について検討し、クラスタグラフ表現が従来の因子グラフ表現よりも優れていることを示す。
論文参考訳（メタデータ） (2022-04-13T13:02:21Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Joint Inference of Multiple Graphs from Matrix Polynomials [34.98220454543502]
ノード上の観測からグラフ構造を推定することは重要かつ一般的なネットワーク科学課題である。ノードの信号の観測から複数のグラフを共同で推定する問題について検討する。本稿では,真のグラフの回復を保証するための凸最適化手法を提案する。
論文参考訳（メタデータ） (2020-10-16T02:45:15Z)
Scaling Graph Clustering with Distributed Sketches [1.1011268090482575]
スペクトルクラスタリングにインスパイアされた手法として,ランダムな次元還元プロジェクションから得られた行列スケッチを用いる。提案手法は,完全に動的なブロックモデルストリームが与えられた場合,性能の高いクラスタリング結果が得られる埋め込みを生成する。また、ブロックモデルパラメータがその後の埋め込みの必要次元に与える影響についても検討し、ランダムなプロジェクションが分散メモリにおけるグラフクラスタリングの性能を大幅に改善できることを示す。
論文参考訳（メタデータ） (2020-07-24T17:38:04Z)
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。