論文の概要: A New Inference algorithm of Dynamic Uncertain Causality Graph based on
Conditional Sampling Method for Complex Cases
- arxiv url: http://arxiv.org/abs/2011.03359v2
- Date: Wed, 24 Feb 2021 02:29:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 04:59:17.733308
- Title: A New Inference algorithm of Dynamic Uncertain Causality Graph based on
Conditional Sampling Method for Complex Cases
- Title（参考訳）: 条件付きサンプリング法による複素場合の動的不確定因果関係グラフの新しい推論アルゴリズム
- Authors: Hao Nie and Qin Zhang
- Abstract要約: 一部のケースでは、可変状態の組み合わせの爆発は依然として問題であり、DUCG推論の非効率性や障害さえも生じる可能性がある。
本稿では,サンプリングループにおける条件付き確率の期待値から最終結果を得る条件付きシミュレーションに基づく新しい手法を提案する。
新しいアルゴリズムは、時間消費を大幅に削減し、2.7%のエラー率を持つ古いアルゴリズムよりも3倍高速に動作する。
- 参考スコア（独自算出の注目度）: 4.770668415874909
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic Uncertain Causality Graph(DUCG) is a recently proposed model for
diagnoses of complex systems. It performs well for industry system such as
nuclear power plants, chemical system and spacecrafts. However, the variable
state combination explosion in some cases is still a problem that may result in
inefficiency or even disability in DUCG inference. In the situation of clinical
diagnoses, when a lot of intermediate causes are unknown while the downstream
results are known in a DUCG graph, the combination explosion may appear during
the inference computation. Monte Carlo sampling is a typical algorithm to solve
this problem. However, we are facing the case that the occurrence rate of the
case is very small, e.g. $10^{-20}$, which means a huge number of samplings are
needed. This paper proposes a new scheme based on conditional stochastic
simulation which obtains the final result from the expectation of the
conditional probability in sampling loops instead of counting the sampling
frequency, and thus overcomes the problem. As a result, the proposed algorithm
requires much less time than the DUCG recursive inference algorithm presented
earlier. Moreover, a simple analysis of convergence rate based on a designed
example is given to show the advantage of the proposed method. % In addition,
supports for logic gate, logic cycles, and parallelization, which exist in
DUCG, are also addressed in this paper. The new algorithm reduces the time
consumption a lot and performs 3 times faster than old one with 2.7% error
ratio in a practical graph for Viral Hepatitis B.
- Abstract（参考訳）: Dynamic Uncertain Causality Graph(DUCG)は、最近提案された複雑なシステムの診断モデルである。
原子力発電所、化学システム、宇宙船などの産業システムでよく機能する。
しかし、いくつかのケースにおける可変状態組合せの爆発は、DUCG推論における非効率性や障害をもたらす可能性がある問題である。
臨床診断の状況では、下流の結果がDUCGグラフで知られている間、多くの中間原因が不明である場合、推論計算中に組み合わせの爆発が発生する可能性がある。
モンテカルロサンプリングはこの問題を解決する典型的なアルゴリズムである。
しかし、私たちはケースの発生率が非常に小さいケースに直面しており、例えば10^{-20}$、つまり大量のサンプリングが必要となる。
本稿では,サンプリング周波数をカウントする代わりに,サンプリングループにおける条件付き確率の期待値から最終結果を得る条件付き確率シミュレーションに基づく新しいスキームを提案し,この問題を克服する。
その結果、提案アルゴリズムは、先に提示したDUCG再帰推論アルゴリズムよりもはるかに少ない時間を要した。
さらに,提案手法の利点を示すために,設計例に基づく収束率の簡易解析を行った。
また,本論文では論理ゲート,論理サイクル,並列化のサポートについても触れる。
新しいアルゴリズムは、ウイルス性肝炎Bの実用的なグラフにおいて、時間消費を大幅に削減し、エラー率2.7%の古いものより3倍高速に処理する。
関連論文リスト
- Gaussian Boson Sampling to Accelerate NP-Complete Vertex-Minor Graph
Classification [0.9935277311162707]
2つのグラフが互いに小さいかどうかを決定するNP完全問題に対するハイブリッド量子古典アルゴリズムを提案する。
ワンショット分類精度と入力スクイーズ量とのトレーディングが可能なグラフ埋め込みを見つける。
本稿では,グラフスペクトルに基づく新しい古典的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-05T21:24:11Z) - Faster Sampling without Isoperimetry via Diffusion-based Monte Carlo [30.4930148381328]
拡散に基づくモンテカルロ (DMC) は、等尺条件を超えた一般目標分布から試料を採取する手法である。
DMCは、高い勾配の複雑さに遭遇し、その結果、得られたサンプルのエラー耐性$epsilon$に指数関数的に依存する。
本稿では,新しい再帰に基づくスコア推定法に基づくRS-DMCを提案する。
私たちのアルゴリズムは、人気のあるLangevinベースのアルゴリズムよりもはるかに高速です。
論文 参考訳（メタデータ） (2024-01-12T02:33:57Z) - Statistical-Computational Tradeoffs in Mixed Sparse Linear Regression [20.00109111254507]
この問題は、$frackSNR2$-to-$frack2SNR2$statistic-to-computational gapである。
また,この問題が困難な狭い状況以外では,関連する混合回帰検出問題を解くための簡単なしきい値決定アルゴリズムも分析する。
論文 参考訳（メタデータ） (2023-03-03T18:03:49Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - On Correlation Detection and Alignment Recovery of Gaussian Databases [5.33024001730262]
相関検出は仮説テストの問題であり、ヌル仮説ではデータベースは独立であり、代替仮説では相関する。
我々は,タイプIとタイプIIの誤差確率のバウンダリを開発し,解析された検出器が最近提案した検出器よりも優れた性能を示すことを示す。
データベースが相関として受け入れられると、アルゴリズムは与えられたデータベース間の部分的なアライメントを復元する。
論文 参考訳（メタデータ） (2022-11-02T12:01:42Z) - An Application of a Multivariate Estimation of Distribution Algorithm to
Cancer Chemotherapy [59.40521061783166]
癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。
より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。
我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
論文 参考訳（メタデータ） (2022-05-17T15:28:46Z) - Score matching enables causal discovery of nonlinear additive noise
models [63.93669924730725]
次世代のスケーラブル因果発見手法の設計方法について述べる。
本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
論文 参考訳（メタデータ） (2022-03-08T21:34:46Z) - Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth
Nonlinear TD Learning [145.54544979467872]
本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。
本研究の結果は, 同時一次および二重側収束の形で表される。
論文 参考訳（メタデータ） (2020-08-23T20:36:49Z) - One-Bit Compressed Sensing via One-Shot Hard Thresholding [7.594050968868919]
1ビット圧縮センシングの問題は、いくつかのバイナリ測定からスパース信号を推定することである。
広範に使われている非制約の幅の概念から遠ざかる、斬新で簡潔な分析法を提案する。
論文 参考訳（メタデータ） (2020-07-07T17:28:03Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳（メタデータ） (2020-07-01T18:43:32Z) - Learning to Accelerate Heuristic Searching for Large-Scale Maximum
Weighted b-Matching Problems in Online Advertising [51.97494906131859]
バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。
既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。
我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
論文 参考訳（メタデータ） (2020-05-09T02:48:23Z)
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。