論文の概要: The huge Package for High-dimensional Undirected Graph Estimation in R

• arxiv url: http://arxiv.org/abs/2006.14781v1
• Date: Fri, 26 Jun 2020 03:36:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 21:32:08.734605
• Title: The huge Package for High-dimensional Undirected Graph Estimation in R
• Title（参考訳）: r における高次元非有向グラフ推定のための巨大パッケージ
• Authors: Tuo Zhao, Han Liu, Kathryn Roeder, John Lafferty, Larry Wasserman
• Abstract要約: 本稿では,データから高次元の非方向グラフを推定するための使い勝手の良い関数を提供する「Big」というRパッケージについて述べる。 既存のグラフ推定パッケージのガラスと比較すると、巨大なパッケージは追加機能を提供します。
• 参考スコア（独自算出の注目度）: 33.59497498272163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe an R package named huge which provides easy-to-use functions for estimating high dimensional undirected graphs from data. This package implements recent results in the literature, including Friedman et al. (2007), Liu et al. (2009, 2012) and Liu et al. (2010). Compared with the existing graph estimation package glasso, the huge package provides extra features: (1) instead of using Fortan, it is written in C, which makes the code more portable and easier to modify; (2) besides fitting Gaussian graphical models, it also provides functions for fitting high dimensional semiparametric Gaussian copula models; (3) more functions like data-dependent model selection, data generation and graph visualization; (4) a minor convergence problem of the graphical lasso algorithm is corrected; (5) the package allows the user to apply both lossless and lossy screening rules to scale up large-scale problems, making a tradeoff between computational and statistical efficiency.
• Abstract（参考訳）: 本稿では,データから高次元の非方向グラフを推定するための使い勝手の良い関数を提供する。 このパッケージは、Friedman et al. (2007)、Liu et al. (2009, 2012)、Liu et al. (2010)など、最近の文献での結果を実装している。 Compared with the existing graph estimation package glasso, the huge package provides extra features: (1) instead of using Fortan, it is written in C, which makes the code more portable and easier to modify; (2) besides fitting Gaussian graphical models, it also provides functions for fitting high dimensional semiparametric Gaussian copula models; (3) more functions like data-dependent model selection, data generation and graph visualization; (4) a minor convergence problem of the graphical lasso algorithm is corrected; (5) the package allows the user to apply both lossless and lossy screening rules to scale up large-scale problems, making a tradeoff between computational and statistical efficiency.

関連論文リスト

• Learning Cartesian Product Graphs with Laplacian Constraints [10.15283812819547]
  ラプラシアン制約下でのカルト積グラフの学習問題について検討する。 我々は、ペナルティ化された最大推定値に対する統計的整合性を確立する。 また、構造的欠落のある値の存在下で、効率的な共同グラフ学習と計算を行う方法を拡張した。
  論文  参考訳（メタデータ） (2024-02-12T22:48:30Z)
• Efficiently Visualizing Large Graphs [18.764862799181053]
  本稿では t-Distributed Graph Neighbor Embedding (t-SGNE) と呼ばれるグラフ可視化のための新しい次元削減手法を提案する。 t-SGNEはグラフ内のクラスタ構造を可視化するように設計されている。 t-SGNEに適合するため、グラフ内の最短経路アルゴリズムとラプラシア固有写像を組み合わせてグラフ埋め込みアルゴリズムShortestPath Laplacian Eigenmaps Embedding (SPLEE)を構築した。
  論文  参考訳（メタデータ） (2023-10-17T12:07:14Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型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） (2022-03-24T02:58:36Z)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に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） (2021-11-20T22:45:53Z)
• Graph Denoising with Framelet Regularizer [25.542429117462547]
  本稿では,特徴雑音と構造雑音の両面からグラフデータの正則化を行う。 本モデルでは, グラフが汚染されている場合でも, 一般的なグラフ畳み込みと比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2021-11-05T05:17:23Z)
• Gaussian Graphical Model Selection for Huge Data via Minipatch Learning [1.2891210250935146]
  グラフィカルモデル選択の問題を解決するために,MPGraph (Minipatch Graph) 推定器を提案する。 MPGraphは、観測とノードの両方の小さなランダムなサブセットに適合する閾値グラフ推定器の一般化である。 本アルゴリズムは有限サンプルグラフ選択の整合性を実現する。
  論文  参考訳（メタデータ） (2021-10-22T21:06:48Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
  本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
  論文  参考訳（メタデータ） (2020-10-12T09:32:20Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。