論文の概要: Learning LWF Chain Graphs: an Order Independent Algorithm
- arxiv url: http://arxiv.org/abs/2005.14037v1
- Date: Wed, 27 May 2020 01:05:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 09:05:47.437128
- Title: Learning LWF Chain Graphs: an Order Independent Algorithm
- Title（参考訳）: LWF連鎖グラフの学習 : 順序に依存しないアルゴリズム
- Authors: Mohammad Ali Javidian, Marco Valtorta and Pooyan Jamshidi
- Abstract要約: 忠実性仮定の下で連鎖グラフの構造を求めるPCライクなアルゴリズムを提案する。
我々は,PCライクなアルゴリズムが順序に依存することを証明し,その出力は変数が与えられる順序に依存する。
そこで本研究では,この順序に依存する部分あるいは全部を除去するPCライクなアルゴリズムの2つの修正を提案する。
- 参考スコア（独自算出の注目度）: 2.3333090554192615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LWF chain graphs combine directed acyclic graphs and undirected graphs. We
present a PC-like algorithm that finds the structure of chain graphs under the
faithfulness assumption to resolve the problem of scalability of the proposed
algorithm by Studeny (1997). We prove that our PC-like algorithm is order
dependent, in the sense that the output can depend on the order in which the
variables are given. This order dependence can be very pronounced in
high-dimensional settings. We propose two modifications of the PC-like
algorithm that remove part or all of this order dependence. Simulation results
under a variety of settings demonstrate the competitive performance of the
PC-like algorithms in comparison with the decomposition-based method, called
LCD algorithm, proposed by Ma et al. (2008) in low-dimensional settings and
improved performance in high-dimensional settings.
- Abstract（参考訳）: lwf連鎖グラフは有向非巡回グラフと無向グラフを組み合わせたものである。
本稿では,studeny (1997) による提案アルゴリズムのスケーラビリティ問題を解くために,忠実性仮定の下で連鎖グラフの構造を求めるpcライクなアルゴリズムを提案する。
我々は,PCライクなアルゴリズムが順序に依存することを証明し,その出力は変数が与えられる順序に依存する。
この順序依存は高次元の設定で非常に発音することができる。
そこで本研究では,この順序依存の一部を除去するPCライクなアルゴリズムの2つの修正を提案する。
各種条件下でのシミュレーション結果は,低次元設定でMaらによって提案された分解法であるLCDアルゴリズムと比較して,PCライクなアルゴリズムの競合性能を実証し,高次元設定での性能を改善した。
関連論文リスト
- A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。
汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。
MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
論文 参考訳（メタデータ） (2024-07-19T08:29:12Z) - Differentiable Proximal Graph Matching [40.41380102260085]
微分可能近位グラフマッチング(DPGM)と呼ばれる近位演算子に基づくグラフマッチングアルゴリズムを提案する。
アルゴリズム全体をグラフ親和性行列からノード対応の予測への微分可能な写像とみなすことができる。
数値実験により、PGMは様々なデータセット上で既存のグラフマッチングアルゴリズムより優れていることが示された。
論文 参考訳（メタデータ） (2024-05-26T08:17:13Z) - Maximum Independent Set: Self-Training through Dynamic Programming [56.670639478539485]
本研究では、動的プログラミング(DP)にインスパイアされた最大独立集合(MIS)問題を解決するグラフニューラルネットワーク(GNN)フレームワークを提案する。
GNNをベースとしたDPライクな再帰アルゴリズムを提案し、まず2つの小さなサブグラフを構築し、より大きなMISを持つサブグラフを予測し、次に再帰呼び出しを行う。
MISサイズに関する異なるグラフの比較を注釈付けすると、自己学習プロセスが発生し、比較をより正確に自己アノテーションし、その逆も引き起こされる。
論文 参考訳（メタデータ） (2023-10-28T10:58:25Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳（メタデータ） (2022-01-25T00:10:03Z) - The Dual PC Algorithm and the Role of Gaussianity for Structure Learning
of Bayesian Networks [0.0]
デュアルPCアルゴリズムは,実行時間や基盤となるネットワーク構造の回復において,従来のPCアルゴリズムよりも優れていることを示す。
また、このデュアルPCアルゴリズムがガウスパウラモデルに適用可能であることを示し、その設定でその性能を示す。
論文 参考訳（メタデータ） (2021-12-16T17:27:29Z) - A Fast PC Algorithm with Reversed-order Pruning and A Parallelization
Strategy [22.31288740171446]
PCアルゴリズムは観測データに基づく因果構造発見のための最先端のアルゴリズムである。
条件付き独立テストが実行された場合、最悪の場合、計算コストがかかる可能性がある。
これにより、タスクが数百から数千のノードを含む場合、アルゴリズムは計算的に難解になる。
本稿では、2つのノードを独立にレンダリングする条件セットが非特異であり、特定の冗長ノードを含む場合、結果の精度を犠牲にしない、という批判的な観察を提案する。
論文 参考訳（メタデータ） (2021-09-10T02:22:10Z) - Online Matching in Sparse Random Graphs: Non-Asymptotic Performances of
Greedy Algorithm [20.582965700659788]
我々は、最も単純なアルゴリズムであるGREEDYの競合比を、関連する離散過程を連続的に近似することによって推定する。
驚くべきことに、GREEDYは、オンラインマッチングのためのもう1つの有名なアルゴリズムであるRANKINGよりも優れたパフォーマンスを保証することができる。
論文 参考訳（メタデータ） (2021-07-02T12:18:19Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z) - 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) - AMP Chain Graphs: Minimal Separators and Structure Learning Algorithms [2.3333090554192615]
アンダーソン・マディガン・パールマン連鎖グラフ(AMP CG)における最小セパレータの探索問題に対処する。
我々は,PCライクなアルゴリズム (Pena, 2012) が,変数が与えられる順序に依存するという意味で,順序に依存していることを示す。
我々は,この順序依存の一部を除去するPCライクなアルゴリズムのいくつかの改良を提案する。
論文 参考訳（メタデータ） (2020-02-24T18:14:14Z)
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。