論文の概要: Constructing a Chain Event Graph from a Staged Tree

• arxiv url: http://arxiv.org/abs/2006.15857v2
• Date: Thu, 16 Dec 2021 11:26:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:37:16.985239
• Title: Constructing a Chain Event Graph from a Staged Tree
• Title（参考訳）: 段階木からの連鎖イベントグラフの構築
• Authors: Aditi Shenvi and Jim Q. Smith
• Abstract要約: Chain Event Graphs (CEG) は確率的グラフィカルモデルの最近のファミリである。 任意の木をCEG表現に自動的に変換する一般アルゴリズムはまだ開発されていない。 段落木をCEGに変換すると、情報が失われることはないことを示す。
• 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: Chain Event Graphs (CEGs) are a recent family of probabilistic graphical models - a generalisation of Bayesian Networks - providing an explicit representation of structural zeros, structural missing values and context-specific conditional independences within their graph topology. A CEG is constructed from an event tree through a sequence of transformations beginning with the colouring of the vertices of the event tree to identify one-step transition symmetries. This coloured event tree, also known as a staged tree, is the output of the learning algorithms used for this family. Surprisingly, no general algorithm has yet been devised that automatically transforms any staged tree into a CEG representation. In this paper we provide a simple iterative backward algorithm for this transformation. Additionally, we show that no information is lost from transforming a staged tree into a CEG. Finally, we demonstrate that with an optimal stopping criterion, our algorithm is more efficient than the generalisation of a special case presented in Silander and Leong (2013). We also provide Python code using this algorithm to obtain a CEG from any staged tree along with the functionality to add edges with sampling zeros.
• Abstract（参考訳）: チェインイベントグラフ(英語: chain event graphs、cegs)は、ベイズネットワークの一般化である確率的グラフィカルモデル(英語版)の最近のファミリーであり、そのグラフトポロジ内の構造的零点、構造的欠落値、コンテキスト固有の条件付き独立性の明示的な表現を提供する。 CEGは、イベントツリーの頂点の色付けから始まる一連の変換を通じてイベントツリーから構築され、ワンステップ遷移対称性を特定する。 この色のイベントツリーは、ステージツリーとしても知られ、このファミリーで使用される学習アルゴリズムの出力である。 驚いたことに、任意のステージツリーをCEG表現に自動的に変換する一般的なアルゴリズムはまだ開発されていない。 本稿では,この変換の反復的逆アルゴリズムを提案する。 さらに、ステージツリーをCEGに変換することで、情報を失うことはないことを示す。 最後に,Silander and Leong (2013) で提示された特殊ケースの一般化よりも,最適停止基準によりアルゴリズムがより効率的であることを示す。 また、このアルゴリズムを用いて、任意のステージツリーからCEGを得るためのPythonコードと、サンプリングゼロでエッジを追加する機能も提供しています。

関連論文リスト

• More on greedy construction heuristics for the MAX-CUT problem [8.148355685823521]
  この図は, 最大カット問題に対して, 主なグリーディを分類するのに有効であることを示す。 SG(Sahni-Gonzalez)アルゴリズムの全てのバージョンはプリム類に分類される。 様々なエッジ・コントラクション(EC)アルゴリズムはKruskalクラスに属する。
  論文  参考訳（メタデータ） (2023-12-18T02:52:04Z)
• Compositional Generalization without Trees using Multiset Tagging and Latent Permutations [121.37328648951993]
  まず、各入力トークンに複数の出力トークンをタグ付けします。 次に、新しいパラメータ化法と置換予測法を用いて、トークンを出力シーケンスに配置する。 我々のモデルは、事前訓練されたセq2seqモデルと、現実的なセマンティック解析タスクに関する先行研究より優れている。
  論文  参考訳（メタデータ） (2023-05-26T14:09:35Z)
• cegpy: Modelling with Chain Event Graphs in Python [0.0]
  連鎖イベントグラフ(CEG)は、人気のあるベイズネットワーク(BN)ファミリーを一般化する確率的グラフィカルモデルの最近のファミリである。 本稿では,CEGを用いた複雑なプロセスの学習と解析を行う最初のPythonパッケージであるcegpyを紹介する。
  論文  参考訳（メタデータ） (2022-11-21T11:32:36Z)
• Structural Learning of Simple Staged Trees [2.3572498744567127]
  そこで,本研究では,単純な樹木の分類のための構造学習アルゴリズムについて紹介する。 データ学習された単純な木は、しばしばモデル適合性においてベイズネットワークを上回っていることを示す。
  論文  参考訳（メタデータ） (2022-03-08T20:50:39Z)
• Active-LATHE: An Active Learning Algorithm for Boosting the Error Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
  我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。 我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
  論文  参考訳（メタデータ） (2021-10-27T10:45:21Z)
• Structural Optimization Makes Graph Classification Simpler and Better [5.770986723520119]
  モデル学習プロセスを簡素化しつつ,グラフ分類性能の向上の可能性を検討する。 構造情報アセスメントの進歩に触発されて、グラフから木をコードするデータサンプルを最適化する。 本稿では,木カーネルと畳み込みネットワークにこのスキームを実装し,グラフ分類を行う。
  論文  参考訳（メタデータ） (2021-09-05T08:54:38Z)
• GNNAutoScale: Scalable and Expressive Graph Neural Networks via Historical Embeddings [51.82434518719011]
  GNNAutoScale(GAS)は、任意のメッセージパスGNNを大規模グラフにスケールするためのフレームワークである。 ガスは、前回のトレーニングの繰り返しから過去の埋め込みを利用して計算グラフのサブツリー全体を掘り起こします。 ガスは大規模グラフ上で最先端のパフォーマンスに達する。
  論文  参考訳（メタデータ） (2021-06-10T09:26:56Z)
• Robustifying Algorithms of Learning Latent Trees with Vector Variables [92.18777020401484]
  Recursive Grouping (RG) と Chow-Liu Recursive Grouping (CLRG) のサンプル複雑性について述べる。 RG,CLRG,Neighbor Joining (NJ) およびSpectral NJ (SNJ) をトラッピングした内積を用いて強化する。 我々は、潜在木の構造学習において、最初の既知のインスタンス依存の不合理性の結果を導出する。
  論文  参考訳（メタデータ） (2021-06-02T01:37:52Z)
• Neural Trees for Learning on Graphs [19.05038106825347]
  グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。 我々はニューラルツリーという新しいGNNアーキテクチャを提案する。 神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
  論文  参考訳（メタデータ） (2021-05-15T17:08:20Z)
• SGA: A Robust Algorithm for Partial Recovery of Tree-Structured Graphical Models with Noisy Samples [75.32013242448151]
  ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。 Katiyarら。 (2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。 統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T01:57:35Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。