Fugu-MT 論文翻訳(概要): Learning DAGs without imposing acyclicity

論文の概要: Learning DAGs without imposing acyclicity

arxiv url: http://arxiv.org/abs/2006.03005v1
Date: Thu, 4 Jun 2020 16:52:01 GMT
ステータス: 処理完了
システム内更新日: 2022-11-25 09:52:08.004958
Title: Learning DAGs without imposing acyclicity
Title（参考訳）: 非周期性を含まないDAGの学習
Authors: Gherardo Varando
Abstract要約: 本研究では,非巡回性制約を課すことなく,データから有向非巡回グラフ(DAG)を学習可能であることを示す。このアプローチは計算効率が良く、古典的な構造学習アルゴリズムのような複雑性の爆発の影響を受けない。
参考スコア（独自算出の注目度）: 0.6526824510982799
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We explore if it is possible to learn a directed acyclic graph (DAG) from data without imposing explicitly the acyclicity constraint. In particular, for Gaussian distributions, we frame structural learning as a sparse matrix factorization problem and we empirically show that solving an $\ell_1$-penalized optimization yields to good recovery of the true graph and, in general, to almost-DAG graphs. Moreover, this approach is computationally efficient and is not affected by the explosion of combinatorial complexity as in classical structural learning algorithms.
Abstract（参考訳）: 我々は,非循環制約を明示的に課すことなく,データから有向非循環グラフ(dag)を学習できるかどうかを検討する。特にガウス分布の場合、構造学習はスパース行列分解問題であり、$\ell_1$-penalized 最適化の解法が真のグラフの良好な回復と概DAGグラフの回復をもたらすことを実証的に示す。さらに、このアプローチは計算効率が高く、古典的構造学習アルゴリズムのように組合せ複雑性の爆発に影響されない。

関連論文リスト

Non-negative Weighted DAG Structure Learning [12.139158398361868]
本研究は,真DAGを夜間観測から学習する問題に対処する。本稿では, ar を返すことが保証される手法に基づく DAG 回復アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-09-12T09:41:29Z)
Learning Directed Acyclic Graphs from Partial Orderings [9.387234607473054]
有向非巡回グラフ(DAG)は、確率変数間の因果関係をモデル化するために一般的に用いられる。本稿では,変数の部分的因果順序付けが可能である場合のDAG学習の中間的問題について考察する。低次元および高次元問題に対する部分順序付けと効率的な推定アルゴリズムを活用するための一般的な推定フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-24T06:14:50Z)
Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-01-05T09:05:33Z)
Recovering Linear Causal Models with Latent Variables via Cholesky Factorization of Covariance Matrix [21.698480201955213]
観測データの共分散行列のコレスキー分解に基づくDAG構造復元アルゴリズムを提案する。合成および実世界のデータセットでは、アルゴリズムは従来の手法よりも大幅に高速で、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-11-01T17:27:49Z)
Constraint-Free Structure Learning with Smooth Acyclic Orientations [16.556484521585197]
非循環構造学習のための制約のない連続最適化スキームであるCOSMOを導入する。明示的な制約がないにもかかわらず、COSMOは常に非巡回解に収束することを示す。
論文参考訳（メタデータ） (2023-09-15T14:08:09Z)
Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
論文参考訳（メタデータ） (2021-11-03T22:10:18Z)
DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
論文参考訳（メタデータ） (2021-06-14T07:11:36Z)
Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文参考訳（メタデータ） (2021-06-09T08:05:36Z)
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)
Learning Fast Approximations of Sparse Nonlinear Regression [50.00693981886832]
本研究では,Threshold Learned Iterative Shrinkage Algorithming (NLISTA)を導入することでギャップを埋める。合成データを用いた実験は理論結果と相関し,その手法が最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2020-10-26T11:31:08Z)

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。