論文の概要: A Bayesian Hierarchical Score for Structure Learning from Related Data Sets

• arxiv url: http://arxiv.org/abs/2008.01683v3
• Date: Sat, 17 Jul 2021 16:32:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 23:28:50.427779
• Title: A Bayesian Hierarchical Score for Structure Learning from Related Data Sets
• Title（参考訳）: 関連データセットからの構造学習のためのベイズ階層スコア
• Authors: Laura Azzimonti, Giorgio Corani and Marco Scutari
• Abstract要約: ベイジアン階層ディリクレ(Bayesian Hierarchical Dirichlet, BHD)と呼ばれる新しいベイジアンディリクレスコアを提案する。 BHDは階層的なモデルに基づいており、データセットにまたがって情報をプールし、ネットワーク構造を包含する単一の学習を行う。 BHDは, 構造ハンミング距離によって測定された復元精度において, ベイズディリクレ等価値(BDeu)スコアよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.7240563090941907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score functions for learning the structure of Bayesian networks in the literature assume that data are a homogeneous set of observations; whereas it is often the case that they comprise different related, but not homogeneous, data sets collected in different ways. In this paper we propose a new Bayesian Dirichlet score, which we call Bayesian Hierarchical Dirichlet (BHD). The proposed score is based on a hierarchical model that pools information across data sets to learn a single encompassing network structure, while taking into account the differences in their probabilistic structures. We derive a closed-form expression for BHD using a variational approximation of the marginal likelihood, we study the associated computational cost and we evaluate its performance using simulated data. We find that, when data comprise multiple related data sets, BHD outperforms the Bayesian Dirichlet equivalent uniform (BDeu) score in terms of reconstruction accuracy as measured by the Structural Hamming distance, and that it is as accurate as BDeu when data are homogeneous. This improvement is particularly clear when either the number of variables in the network or the number of observations is large. Moreover, the estimated networks are sparser and therefore more interpretable than those obtained with BDeu thanks to a lower number of false positive arcs.
• Abstract（参考訳）: ベイジアンネットワークの構造を文学で学ぶためのスコア関数は、データは観測の均質な集合であると仮定するが、それらは異なる関連するが、均質ではないデータセットを異なる方法で収集するケースであることが多い。 本稿では,ベイズ階層ディリクレ(bhd)と呼ばれる新しいベイズ階層ディリクレスコアを提案する。 提案するスコアは,データセットにまたがる情報をプールして,その確率的構造の違いを考慮しつつ,単一のネットワーク構造を学習する階層モデルに基づいている。 差分確率の変動近似を用いてBHDのクローズドフォーム式を導出し、関連する計算コストを調査し、シミュレーションデータを用いてその性能を評価する。 BHDは,複数の関連データセットからなるデータを構成する場合,構造ハンミング距離によって測定された再構成精度でベイズディリクレ等価値(BDeu)スコアを上回り,同質なデータではBDeuと同等に正確であることがわかった。 この改善は、ネットワーク内の変数の数や観測回数が大きい場合に特に顕著である。 さらに、推定されたネットワークはスペーサーであり、したがって偽正弧の数が少ないため、BDeuよりも解釈可能である。

関連論文リスト

• Amortised Inference in Neural Networks for Small-Scale Probabilistic Meta-Learning [41.85464593920907]
  BNNに対する大域的変分近似は、一連の条件分布を構成するために一連のインジェクションインプットを使用する。 我々の重要な洞察は、これらのインプットを実際のデータに置き換えることができ、変動分布は各データポイントに対して近似的な確率の集合からなることである。 この推論ネットワークを関連するデータセット間でトレーニングすることにより、タスク固有のBNNに対するメタ学習ベイズ推論が可能になる。
  論文  参考訳（メタデータ） (2023-10-24T12:34:25Z)
• Topological Quality of Subsets via Persistence Matching Diagrams [0.196629787330046]
  我々は、トポロジカルデータ解析技術を用いて、そのデータセットに関するサブセットの品質を測定する。 特に,本手法では,選択したサブセットが教師付き学習モデルの貧弱な性能をもたらす可能性がある理由を説明することができる。
  論文  参考訳（メタデータ） (2023-06-04T17:08:41Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Recursive Neural Networks with Bottlenecks Diagnose (Non-)Compositionality [65.60002535580298]
  データの構成性の定量化は難しい課題であり、主に短い発話のために研究されている。 モデルにおけるデータの表現とボトルネックの有無を比較することで,構成性の測定値が得られることを示す。 本手法は、合成データを用いた算術式の評価と、自然言語データを用いた感情分類に適用する。
  論文  参考訳（メタデータ） (2023-01-31T15:46:39Z)
• Concrete Score Matching: Generalized Score Matching for Discrete Data [109.12439278055213]
  コンクレトスコア(Concrete score)とは、個別の設定のためのスコア(ステイン)の一般化である。 コンクレトスコアマッチング(Concrete Score Matching)は、サンプルからこのようなスコアを学習するフレームワークである。
  論文  参考訳（メタデータ） (2022-11-02T00:41:37Z)
• Using Mixed-Effect Models to Learn Bayesian Networks from Related Data Sets [0.04297070083645048]
  混合効果モデルを用いて連続データからベイズネットワークを学習するための類似解を提供する。 本研究では,その構造,パラメトリック,予測,分類の精度について検討する。 この改善は、低いサンプルサイズとバランスの取れないデータセットに特徴付けられる。
  論文  参考訳（メタデータ） (2022-06-08T08:32:32Z)
• 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)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• Hybrid Bayesian network discovery with latent variables by scoring multiple interventions [5.994412766684843]
  離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。 このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。 実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2021-12-20T14:54:41Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)

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。