論文の概要: Learning the Markov order of paths in a network

• arxiv url: http://arxiv.org/abs/2007.02861v1
• Date: Mon, 6 Jul 2020 16:27:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 02:08:33.592848
• Title: Learning the Markov order of paths in a network
• Title（参考訳）: ネットワークにおける経路のマルコフ順序の学習
• Authors: Luka V. Petrovi\'c and Ingo Scholtes
• Abstract要約: ネットワーク内の経路を表す分類列におけるマルコフ順序の学習問題について検討する。 経路に対するマルチオーダー・モデリング・フレームワークを導入し,マルコフ順序をより確実に検出するベイズ学習手法を開発した。 我々の研究は、ネットワーク分析における高次モデルの必要性を強調する研究機関の成長にさらに関係している。
• 参考スコア（独自算出の注目度）: 1.5229257192293197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of learning the Markov order in categorical sequences that represent paths in a network, i.e. sequences of variable lengths where transitions between states are constrained to a known graph. Such data pose challenges for standard Markov order detection methods and demand modelling techniques that explicitly account for the graph constraint. Adopting a multi-order modelling framework for paths, we develop a Bayesian learning technique that (i) more reliably detects the correct Markov order compared to a competing method based on the likelihood ratio test, (ii) requires considerably less data compared to methods using AIC or BIC, and (iii) is robust against partial knowledge of the underlying constraints. We further show that a recently published method that uses a likelihood ratio test has a tendency to overfit the true Markov order of paths, which is not the case for our Bayesian technique. Our method is important for data scientists analyzing patterns in categorical sequence data that are subject to (partially) known constraints, e.g. sequences with forbidden words, mobility trajectories and click stream data, or sequence data in bioinformatics. Addressing the key challenge of model selection, our work is further relevant for the growing body of research that emphasizes the need for higher-order models in network analysis.
• Abstract（参考訳）: ネットワーク内の経路を表す分類列,すなわち状態間の遷移が既知のグラフに制約される可変長列においてマルコフ順序を学習する問題を考察する。 このようなデータは、標準マルコフ順序検出法や、グラフの制約を明示的に考慮した需要モデリング技術に課題をもたらす。 経路の多次モデリングフレームワークを採用し,ベイズ学習手法を開発した。 i) 確率比検定に基づいて競合する手法と比較して正マルコフ順序をより確実に検出する。 (ii) aic や bic を使用する方法に比べ,データ量はかなり少ない。 (iii)基礎となる制約の部分的な知識に対して頑健である。 さらに,確率比検定を用いた最近発表された手法は,経路の真のマルコフ次数に過度に適合する傾向があり,ベイズ的手法には当てはまらないことを示す。 本手法は, 禁止語, 移動軌跡, クリックストリームデータ, バイオインフォマティクスにおけるシーケンスデータといった, (部分的に) 既知の制約を受ける分類配列データのパターンを分析するデータ科学者にとって重要である。 モデル選択の鍵となる課題に対処し,ネットワーク分析における高次モデルの必要性を強調する研究の進展に,我々の研究はより深く関係している。

関連論文リスト

• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• Scalable Structure Learning for Sparse Context-Specific Systems [0.0]
  数百の変数にスケールする文脈特化モデルを学習するためのアルゴリズムを提案する。 本手法は, 合成データと実世界の実例でよく動作することを示す。
  論文  参考訳（メタデータ） (2024-02-12T16:28:52Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Bayesian graph convolutional neural networks via tempered MCMC [0.41998444721319217]
  畳み込みニューラルネットワークのようなディープラーニングモデルは、画像やマルチメディアタスクに長い間適用されてきた。 最近では、グラフで表現できる非構造化データにもっと注意が払われている。 これらのタイプのデータは、健康と医学、ソーシャルネットワーク、および研究データリポジトリでよく見られます。
  論文  参考訳（メタデータ） (2021-04-17T04:03:25Z)
• Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation [37.742218733235084]
  本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。 提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。 5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T18:00:53Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)

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。