論文の概要: Learning LWF Chain Graphs: A Markov Blanket Discovery Approach
- arxiv url: http://arxiv.org/abs/2006.00970v1
- Date: Fri, 29 May 2020 16:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 22:45:53.231874
- Title: Learning LWF Chain Graphs: A Markov Blanket Discovery Approach
- Title(参考訳): LWFチェーングラフの学習 - Markov Blanketディスカバリアプローチ
- Authors: Mohammad Ali Javidian and Marco Valtorta and Pooyan Jamshidi
- Abstract要約: 本稿では、LWF(Lauritzen-Wermuth-Frydenberg)解釈の下で、連鎖グラフ(CG)におけるマルコフ毛布のグラフィカルな特徴を提供する。
LWF CGにおけるマルコフ毛布発見のための,スケーラブルで音質の高い新しいアルゴリズムを提案する。
- 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: This paper provides a graphical characterization of Markov blankets in chain
graphs (CGs) under the Lauritzen-Wermuth-Frydenberg (LWF) interpretation. The
characterization is different from the well-known one for Bayesian networks and
generalizes it. We provide a novel scalable and sound algorithm for Markov
blanket discovery in LWF CGs and prove that the Grow-Shrink algorithm, the IAMB
algorithm, and its variants are still correct for Markov blanket discovery in
LWF CGs under the same assumptions as for Bayesian networks. We provide a sound
and scalable constraint-based framework for learning the structure of LWF CGs
from faithful causally sufficient data and prove its correctness when the
Markov blanket discovery algorithms in this paper are used. Our proposed
algorithms compare positively/competitively against the state-of-the-art LCD
(Learn Chain graphs via Decomposition) algorithm, depending on the algorithm
that is used for Markov blanket discovery. Our proposed algorithms make a broad
range of inference/learning problems computationally tractable and more
reliable because they exploit locality.
- Abstract(参考訳): 本稿では,lauritzen-wermuth-frydenberg (lwf) 解釈に基づく連鎖グラフ (cgs) におけるマルコフブランケットのグラフィカルな特徴について述べる。
特徴づけはベイズネットワークのよく知られたものと異なり、一般化される。
我々は,LWF CGにおけるマルコフブランケット発見のための新しいスケーラブルで健全なアルゴリズムを提案し,ベイズネットワークと同じ仮定の下で,Grow-Shrinkアルゴリズム,IAMBアルゴリズム,およびその変種が依然としてLWF CGにおけるマルコフブランケット発見に対して正しいことを証明した。
本稿では,忠実な因果関係に十分なデータからLWF CGの構造を学習し,マルコフ毛布発見アルゴリズムを用いてその正確性を証明するための,健全でスケーラブルな制約ベースのフレームワークを提案する。
提案アルゴリズムは,マルコフの毛布発見に使用されるアルゴリズムに依存し,最先端のLCD (DecompositionによるLearn Chain graphs) アルゴリズムと正・競合的に比較する。
提案アルゴリズムは局所性を利用するため,幅広い推論/学習問題を計算的に抽出可能で信頼性が高い。
関連論文リスト
- MEC-IP: Efficient Discovery of Markov Equivalent Classes via Integer Programming [3.2513035377783717]
本稿では,ベイジアンネットワーク(BN)のマルコフ等価クラス(MEC)を発見するための新しいプログラミング(IP)手法を提案する。
我々の数値計算結果から,計算時間の大幅な削減はアルゴリズムによって達成されるだけでなく,多様なデータセットで因果発見精度の向上が見られた。
論文 参考訳(メタデータ) (2024-10-22T22:56:33Z) - An Unforgeable Publicly Verifiable Watermark for Large Language Models [84.2805275589553]
現在の透かし検出アルゴリズムは、透かし生成プロセスで使用される秘密鍵を必要としており、公開検出中にセキュリティ違反や偽造の影響を受ける。
両段階で同じキーを使用するのではなく、2つの異なるニューラルネットワークを用いて透かしの生成と検出を行う。
論文 参考訳(メタデータ) (2023-07-30T13:43:27Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳(メタデータ) (2023-03-17T02:01:11Z) - 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) - Deep learning via message passing algorithms based on belief propagation [2.931240348160871]
本稿では,局所的なエントロピー分布に偏りを持つ強化場を有するBPベースのメッセージパッシングアルゴリズムのファミリについて述べる。
これらのアルゴリズムは、SGDにインスパイアされたソリューションに匹敵するパフォーマンスで、離散重みとアクティベーションを持つ多層ニューラルネットワークをトレーニングすることができる。
論文 参考訳(メタデータ) (2021-10-27T16:52:26Z) - CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。
CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。
我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
論文 参考訳(メタデータ) (2021-05-10T07:31:59Z) - Machine Unlearning via Algorithmic Stability [31.809738694273623]
我々はマシンアンラーニングの問題を研究し、総変動(TV)安定性の概念を特定します。
凸リスク最小化問題に対して、ノイズグラディエントDescent(SGD)に基づくTV安定アルゴリズムを設計する。
我々のアルゴリズムを一般化する手法も微分プライベートである。
論文 参考訳(メタデータ) (2021-02-25T21:16:56Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-11-18T16:40:45Z) - PAC Reinforcement Learning Algorithm for General-Sum Markov Games [5.279475826661642]
本稿では、一般的なマルコフゲームのための新しいPAC MARLアルゴリズムを構築するために、遅延Qラーニングというアイデアを用いて、よく知られたナッシュQラーニングアルゴリズムの拡張を提供する。
証明可能なPAC MARLアルゴリズムの設計の指針に加え、任意のMARLアルゴリズムがPACであるかどうかを確認することができる。
論文 参考訳(メタデータ) (2020-09-05T21:54:27Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。
マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文 参考訳(メタデータ) (2020-03-06T16:17:24Z)
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。