Fugu-MT 論文翻訳(概要): Learning Linear Non-Gaussian Graphical Models with Multidirected Edges

論文の概要: Learning Linear Non-Gaussian Graphical Models with Multidirected Edges

arxiv url: http://arxiv.org/abs/2010.05306v1
Date: Sun, 11 Oct 2020 18:10:15 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 13:15:53.352209
Title: Learning Linear Non-Gaussian Graphical Models with Multidirected Edges
Title（参考訳）: 多方向エッジを用いた線形非ガウス図形モデルの学習
Authors: Yiheng Liu, Elina Robeva, and Huanqing Wang
Abstract要約: 観測データを用いた線形非ガウス構造方程式モデルの非巡回混合グラフを学習するための新しい手法を提案する。そこで本研究では,複数方向のエッジのみでなく,複数方向のエッジを学習することで,復元モデルの隠れ変数構造を増大させることができることを示す。
参考スコア（独自算出の注目度）: 8.71151886950158
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we propose a new method to learn the underlying acyclic mixed graph of a linear non-Gaussian structural equation model given observational data. We build on an algorithm proposed by Wang and Drton, and we show that one can augment the hidden variable structure of the recovered model by learning {\em multidirected edges} rather than only directed and bidirected ones. Multidirected edges appear when more than two of the observed variables have a hidden common cause. We detect the presence of such hidden causes by looking at higher order cumulants and exploiting the multi-trek rule. Our method recovers the correct structure when the underlying graph is a bow-free acyclic mixed graph with potential multi-directed edges.
Abstract（参考訳）: 本稿では,観測データを用いた線形非ガウス構造方程式モデルの基礎となる非巡回混合グラフの学習法を提案する。我々は,wang と drton によって提案されたアルゴリズムを基礎として,有向および双向のエッジのみを学習することにより,復元モデルの隠れた可変構造を拡張できることを示した。多方向エッジは、2つ以上の観測変数が隠れた共通の原因を持つ場合に現れる。我々は,高次累積法に注目し,マルチトランク法則を利用することにより,そのような隠れた原因の存在を検出する。本手法は,有意な多方向エッジを持つボウフリー非環状混合グラフである場合の正しい構造を復元する。

関連論文リスト

Gradformer: Graph Transformer with Exponential Decay [69.50738015412189]
グラフ変換器(GT)の自己保持機構は、グラフの帰納バイアス、特に構造に関するバイアスを見落としている。本稿では,GTと本質的帰納バイアスを革新的に統合するGradformerを提案する。 GradformerはグラフニューラルネットワークやGTベースラインモデルよりも、さまざまなグラフ分類や回帰タスクにおいて一貫して優れています。
論文参考訳（メタデータ） (2024-04-24T08:37:13Z)
Graph Generation via Spectral Diffusion [51.60814773299899]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
論文参考訳（メタデータ） (2024-02-29T09:26:46Z)
Neural Gaussian Similarity Modeling for Differential Graph Structure Learning [24.582257964387402]
微分不可能近傍サンプリングを微分可能サンプリングに置き換えることで、微分グラフ構造学習モデルを構築する。この問題を緩和するために、ベル形状のガウス類似性(Gaussian similarity, GauSim)モデリングが、非アネレスト近傍のサンプルとして提案されている。我々は,大規模グラフを遷移グラフに転送することで,複雑さを著しく低減し,スケーラブルな手法を開発した。
論文参考訳（メタデータ） (2023-12-15T02:45:33Z)
Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
論文参考訳（メタデータ） (2023-09-08T02:44:37Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
Joint graph learning from Gaussian observations in the presence of hidden nodes [26.133725549667734]
本稿では,隠れ変数の存在を考慮した共同グラフ学習法を提案する。従来の考察から得られた構造を利用して凸最適化問題を提案する。提案したアルゴリズムを異なるベースラインで比較し、合成グラフと実世界のグラフ上での性能を評価する。
論文参考訳（メタデータ） (2022-12-04T13:03:41Z)
Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文参考訳（メタデータ） (2022-09-12T04:46:55Z)
Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。モデルのパラメータは期待最大化手順によって反復的に推定される。
論文参考訳（メタデータ） (2021-06-16T18:00:02Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Curvature Regularization to Prevent Distortion in Graph Embedding [15.383135890096462]
我々は近接保存戦略に関して重要だが無視された問題について議論する。グラフ位相パターンは埋め込み多様体によく保存されているが、周囲の埋め込みユークリッド空間で歪むことがある。 ABS曲率(ABS曲率)と呼ばれる新しい角度に基づく断面曲率を示し,それに応じて3種類の曲率正則化を行う。
論文参考訳（メタデータ） (2020-11-28T20:16:24Z)
The multilayer random dot product graph [6.722870980553432]
ランダムドット積グラフ(ランダムドット積グラフ)と呼ばれる潜在位置ネットワークモデルの包括的拡張を提案する。本稿では,サブマトリクスを適切な潜在空間に埋め込む手法を提案する。単一グラフ埋め込みによるリンク予測の実証的な改善がサイバーセキュリティの例で示されている。
論文参考訳（メタデータ） (2020-07-20T20:31:39Z)

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。