論文の概要: rags2ridges: A One-Stop-Shop for Graphical Modeling of High-Dimensional
Precision Matrices
- arxiv url: http://arxiv.org/abs/2010.05619v1
- Date: Mon, 12 Oct 2020 11:43:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 08:03:00.474640
- Title: rags2ridges: A One-Stop-Shop for Graphical Modeling of High-Dimensional
Precision Matrices
- Title（参考訳）: rags2ridges:高次元精度行列のグラフィカルモデリングのためのワンストップショップ
- Authors: Carel F.W. Peeters, Anders Ellern Bilgrau, Wessel N. van Wieringen
- Abstract要約: rags2ridgesは、高次元精度行列のグラフィカルモデリングのためのRパッケージである。
高次元データからガウス図形モデルを抽出、可視化、分析するためのモジュラーフレームワークを提供する。
このパッケージの機能は、アルツハイマー病の患者における血液ベースの代謝産物の測定に関するサンプルデータセットで示される。
- 参考スコア（独自算出の注目度）: 1.4438155481047363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A graphical model is an undirected network representing the conditional
independence properties between random variables. Graphical modeling has become
part and parcel of systems or network approaches to multivariate data, in
particular when the variable dimension exceeds the observation dimension.
rags2ridges is an R package for graphical modeling of high-dimensional
precision matrices. It provides a modular framework for the extraction,
visualization, and analysis of Gaussian graphical models from high-dimensional
data. Moreover, it can handle the incorporation of prior information as well as
multiple heterogeneous data classes. As such, it provides a one-stop-shop for
graphical modeling of high-dimensional precision matrices. The functionality of
the package is illustrated with an example dataset pertaining to blood-based
metabolite measurements in persons suffering from Alzheimer's Disease.
- Abstract（参考訳）: グラフィカルモデルは、変数間の条件付き独立性を表す非方向ネットワークである。
グラフィカルモデリングは、多変量データに対するシステムやネットワークアプローチの一部となり、特に、可変次元が観測次元を超えている場合である。
rags2ridgesは、高次元精度行列のグラフィカルモデリングのためのRパッケージである。
高次元データからガウス図形モデルを抽出、可視化、分析するためのモジュラーフレームワークを提供する。
さらに、複数の異種データクラスだけでなく、事前情報の取り込みも処理できる。
そのため、高次元精度行列のグラフィカルモデリングのためのワンストップショップを提供する。
このパッケージの機能は、アルツハイマー病の患者における血液ベースの代謝産物の測定に関するサンプルデータセットで示される。
関連論文リスト
- Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。
本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。
我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文 参考訳（メタデータ） (2024-11-08T17:40:43Z) - Interpretable and Scalable Graphical Models for Complex Spatio-temporal
Processes [3.469001874498102]
論文は、複雑な時間構造を持つデータと、解釈可能かつ解釈可能な方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。
この方法論の実践的応用は、実際のデータセットを用いて検討される。
これには、データを用いた脳接続分析、太陽画像データを用いた宇宙天気予報、Twitterデータを用いた世論の縦断的分析、TalkLifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
論文 参考訳（メタデータ） (2023-01-15T05:39:30Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳（メタデータ） (2022-11-26T22:13:06Z) - uGLAD: Sparse graph recovery by optimizing deep unrolled networks [11.48281545083889]
深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。
我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。
我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。
論文 参考訳（メタデータ） (2022-05-23T20:20:27Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learnable Graph-regularization for Matrix Decomposition [5.9394103049943485]
本稿では,行列分解のための学習可能なグラフ正規化モデルを提案する。
グラフ正規化法と確率行列分解モデルの間のブリッジを構築する。
スパース精度行列推定により、2つのグラフィカル構造をリアルタイムで反復的に学習する。
論文 参考訳（メタデータ） (2020-10-16T17:12:39Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳（メタデータ） (2020-02-18T17:58:07Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳（メタデータ） (2020-02-11T11:57:07Z)
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。