論文の概要: A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks
- arxiv url: http://arxiv.org/abs/2007.03248v3
- Date: Wed, 2 Jun 2021 19:27:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 18:22:06.496397
- Title: A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks
- Title（参考訳）: 連続時間ベイズネットワークの構造学習のための制約に基づくアルゴリズム
- Authors: Alessandro Bregoli, Marco Scutari, Fabio Stella
- Abstract要約: 連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
- 参考スコア（独自算出の注目度）: 70.88503833248159
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic Bayesian networks have been well explored in the literature as
discrete-time models: however, their continuous-time extensions have seen
comparatively little attention. In this paper, we propose the first
constraint-based algorithm for learning the structure of continuous-time
Bayesian networks. We discuss the different statistical tests and the
underlying hypotheses used by our proposal to establish conditional
independence. Furthermore, we analyze and discuss the computational complexity
of the best and worst cases for the proposed algorithm. Finally, we validate
its performance using synthetic data, and we discuss its strengths and
limitations comparing it with the score-based structure learning algorithm from
Nodelman et al. (2003). We find the latter to be more accurate in learning
networks with binary variables, while our constraint-based approach is more
accurate with variables assuming more than two values. Numerical experiments
confirm that score-based and constraint-based algorithms are comparable in
terms of computation time.
- Abstract（参考訳）: 動的ベイズネットワークは離散時間モデルとして文献でよく研究されてきたが、その連続時間拡張は比較的注目されていない。
本稿では,連続時間ベイズネットワークの構造を学習する最初の制約ベースアルゴリズムを提案する。
条件付き独立性を確立するために提案する異なる統計テストと基礎となる仮説について考察する。
さらに,提案アルゴリズムにおける最良ケースと最悪のケースの計算複雑性を分析し,議論する。
最後に,その性能を合成データを用いて検証し,その強みと限界をnodelman et al.(2003)のスコアベースの構造学習アルゴリズムと比較した。
後者はバイナリ変数を持つネットワークの学習においてより正確であるのに対して、制約に基づくアプローチは2つ以上の値を想定した変数に対してより正確である。
数値実験により、スコアベースおよび制約ベースアルゴリズムが計算時間に匹敵することを確認した。
関連論文リスト
- A Full DAG Score-Based Algorithm for Learning Causal Bayesian Networks with Latent Confounders [0.0]
因果ベイズネットワーク(Causal Bayesian Network, CBN)は、変数間の因果関係を符号化する一般的なグラフィカル確率モデルである。
本稿では,DAGの空間を探索し,潜在する共同設立者の存在を識別できる,初めての完全スコアに基づく構造学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-20T20:25:56Z) - Discrete Neural Algorithmic Reasoning [18.497863598167257]
本稿では,有限状態の組合せとして,ニューラル推論器に実行軌跡の維持を強制することを提案する。
アルゴリズムの状態遷移の監督で訓練されたモデルでは、元のアルゴリズムと完全に整合することができる。
論文 参考訳（メタデータ） (2024-02-18T16:03:04Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z) - Structured Optimal Variational Inference for Dynamic Latent Space Models [16.531262817315696]
動的ネットワークの潜在空間モデルについて検討し、その目的は、ペアの内積と潜在位置のインターセプトを推定することである。
後部推論と計算スケーラビリティのバランスをとるために、構造的平均場変動推論フレームワークを検討する。
論文 参考訳（メタデータ） (2022-09-29T22:10:42Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Adaptive Discretization for Model-Based Reinforcement Learning [10.21634042036049]
本稿では,適応離散化手法を導入し,効率的なモデルに基づくエピソード強化学習アルゴリズムを設計する。
我々のアルゴリズムは、空間の適応的な離散化を維持するために拡張された楽観的なワンステップ値反復に基づいている。
論文 参考訳（メタデータ） (2020-07-01T19:36:46Z) - Fast Objective & Duality Gap Convergence for Non-Convex Strongly-Concave
Min-Max Problems with PL Condition [52.08417569774822]
本稿では,深層学習(深層AUC)により注目度が高まっている,円滑な非凹部min-max問題の解法に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-12T00:32:21Z) - Beyond Worst-Case Analysis in Stochastic Approximation: Moment
Estimation Improves Instance Complexity [58.70807593332932]
近似問題に対する勾配に基づく手法のオラクル複雑性について検討する。
最悪のケースの複雑さではなく、インスタンス依存の複雑さに焦点を当てます。
提案アルゴリズムとその解析はモーメント推定の成功を理論的に正当化する。
論文 参考訳（メタデータ） (2020-06-08T09:25:47Z) - DYNOTEARS: Structure Learning from Time-Series Data [6.7638850283606855]
時系列における変数間の同時(イントラスライス)と時間差(インタースライス)を同時に推定する手法を提案する。
動的ベイズネットワークを学習するための最先端の手法と比較して,本手法は実データに対してスケーラブルかつ正確である。
論文 参考訳（メタデータ） (2020-02-02T21:47:48Z)
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。