論文の概要: Faster MCMC for Gaussian Latent Position Network Models

• arxiv url: http://arxiv.org/abs/2006.07687v2
• Date: Wed, 3 Nov 2021 18:21:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 21:37:37.510548
• Title: Faster MCMC for Gaussian Latent Position Network Models
• Title（参考訳）: ガウス潜在位置ネットワークモデルのための高速MCMC
• Authors: Neil A. Spencer, Brian Junker, Tracy M. Sweet
• Abstract要約: 代替マルコフ連鎖モンテカルロ戦略は, 後部分布を近似するためにギブスのメトロポリスよりも効率的であることを示す。 これらの戦略は、学校地区の教師やスタッフの実際の情報共有ネットワークだけでなく、合成ネットワーク上でもメトロポリスや他のアルゴリズムよりも優れていることを実証する。
• 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: Latent position network models are a versatile tool in network science; applications include clustering entities, controlling for causal confounders, and defining priors over unobserved graphs. Estimating each node's latent position is typically framed as a Bayesian inference problem, with Metropolis within Gibbs being the most popular tool for approximating the posterior distribution. However, it is well-known that Metropolis within Gibbs is inefficient for large networks; the acceptance ratios are expensive to compute, and the resultant posterior draws are highly correlated. In this article, we propose an alternative Markov chain Monte Carlo strategy -- defined using a combination of split Hamiltonian Monte Carlo and Firefly Monte Carlo -- that leverages the posterior distribution's functional form for more efficient posterior computation. We demonstrate that these strategies outperform Metropolis within Gibbs and other algorithms on synthetic networks, as well as on real information-sharing networks of teachers and staff in a school district.
• Abstract（参考訳）: 潜在位置ネットワークモデルはネットワーク科学において汎用的なツールであり、アプリケーションにはクラスタリングエンティティ、因果共生の制御、未観測グラフに対する事前定義が含まれる。 各ノードの潜在位置を推定するのは、一般的にベイズ推定問題であり、gibbs内のメトロポリスは後方分布を近似する最も一般的なツールである。 しかし,gibbs内のmetropolisは大規模ネットワークでは非効率であることはよく知られている。 本稿では,後方分布の関数型をより効率的な後方計算に利用するマルコフ連鎖モンテカルロ戦略(スプリットハミルトンモンテカルロとファイアフライモンテカルロの組み合わせを用いて定義される)を提案する。 これらの戦略は、Gibbsなどの合成ネットワーク上でのメトロポリスや、学区内の教師やスタッフの実際の情報共有ネットワークよりも優れていることを示す。

関連論文リスト

• Scaling up Dynamic Edge Partition Models via Stochastic Gradient MCMC [33.08344607564694]
  エッジ分割モデル (EPM) は静的グラフ構造データから重なり合うコミュニティ構造を抽出する生成モデルである。 多くの魅力的な性質があるにもかかわらず、EMMの推論は通常、マルコフ連鎖モンテカルロ (MCMC) 法を用いて行われ、大規模なネットワークデータに適用されないようにしている。
  論文  参考訳（メタデータ） (2024-02-29T15:19:35Z)
• Learning Networks from Gaussian Graphical Models and Gaussian Free Fields [2.294014185517203]
  本稿では,ネットワーク上のGFFの繰り返し測定から,重み付きネットワーク(ほぼ同種のラプラシアン)の新たな推定法を提案する。 本研究は, 具体的な回収保証と, 必要な試料の複雑さに対する限界を有する推定器の有効性を実証する。 サンプルサイズで成長するネットワークの設定において、Erdos-Renyiランダムグラフに対して、接続しきい値より上の$G(d,p)$に対して、ネットワーク回復が高い確率で行われることを示す。
  論文  参考訳（メタデータ） (2023-08-04T14:18:39Z)
• A Bayesian Take on Gaussian Process Networks [1.7188280334580197]
  この研究はモンテカルロ法とマルコフ・チェイン・モンテカルロ法を実装し、ネットワーク構造の後方分布からサンプリングする。 提案手法は,ネットワークのグラフィカルな構造を復元する上で,最先端のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-20T08:38:31Z)
• Dense Hebbian neural networks: a replica symmetric picture of unsupervised learning [4.133728123207142]
  我々は、監督なしで訓練された密集的で連想的なニューラルネットを考える。 本稿では,モンテカルロシミュレーションを用いて,その計算能力を解析的に,統計力学的手法を用いて,数値解析的に検討する。
  論文  参考訳（メタデータ） (2022-11-25T12:40:06Z)
• ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural Networks via Normalization [80.90206641975375]
  本稿では,正規化によるGNNの性能向上に焦点をあてる。 グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。 ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
  論文  参考訳（メタデータ） (2022-06-16T13:49:09Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
  ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。 また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
  論文  参考訳（メタデータ） (2021-04-29T15:38:46Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)
• Particle-Gibbs Sampling For Bayesian Feature Allocation Models [77.57285768500225]
  最も広く使われているMCMC戦略は、特徴割り当て行列のギブス更新に頼っている。 単一移動で特徴割り当て行列の全行を更新できるギブスサンプリング器を開発した。 このサンプルは、計算複雑性が特徴数で指数関数的にスケールするにつれて、多数の特徴を持つモデルにとって実用的ではない。 我々は,行ワイズギブズ更新と同じ分布を目標としたパーティクルギブズサンプルの開発を行うが,特徴数でのみ線形に増大する計算複雑性を有する。
  論文  参考訳（メタデータ） (2020-01-25T22:11:51Z)

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。