論文の概要: FSPN: A New Class of Probabilistic Graphical Model

• arxiv url: http://arxiv.org/abs/2011.09020v2
• Date: Fri, 20 Nov 2020 08:22:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 04:14:08.710216
• Title: FSPN: A New Class of Probabilistic Graphical Model
• Title（参考訳）: FSPN:確率的グラフモデルの新しいクラス
• Authors: Ziniu Wu, Rong Zhu, Andreas Pfadler, Yuxing Han, Jiangneng Li, Zhengping Qian, Kai Zeng, Jingren Zhou
• Abstract要約: 確率的グラフィカルモデル(PGM)の新しいクラスである分解和分割積ネットワーク(FSPN)を導入する。 FSPNは推定精度と推定効率の点で既存のPGMの欠点を克服するように設計されている。 本研究では、FSPNに対する効率的な確率推定と構造学習アルゴリズムと、理論解析と広範囲な評価証拠について述べる。
• 参考スコア（独自算出の注目度）: 37.80683263600885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce factorize sum split product networks (FSPNs), a new class of probabilistic graphical models (PGMs). FSPNs are designed to overcome the drawbacks of existing PGMs in terms of estimation accuracy and inference efficiency. Specifically, Bayesian networks (BNs) have low inference speed and performance of tree structured sum product networks(SPNs) significantly degrades in presence of highly correlated variables. FSPNs absorb their advantages by adaptively modeling the joint distribution of variables according to their dependence degree, so that one can simultaneously attain the two desirable goals: high estimation accuracy and fast inference speed. We present efficient probability inference and structure learning algorithms for FSPNs, along with a theoretical analysis and extensive evaluation evidence. Our experimental results on synthetic and benchmark datasets indicate the superiority of FSPN over other PGMs.
• Abstract（参考訳）: 我々は、確率的グラフィカルモデル(pgms)の新しいクラスであるfspn(factorize sum split product networks)を紹介する。 FSPNは推定精度と推定効率の点で既存のPGMの欠点を克服するように設計されている。 特に、ベイジアンネットワーク(BNs)は、高相関変数の存在下で、予測速度が低く、木構造和積ネットワーク(SPNs)の性能は著しく低下する。 fspnはその依存度に応じて変数の結合分布を適応的にモデル化することでその利点を吸収し、高い推定精度と高速な推論速度の2つの目標を同時に達成できる。 本稿では,fspnのための効率的な確率推論と構造学習アルゴリズムと,理論解析と広範な評価証拠を提案する。 合成およびベンチマークデータを用いた実験結果から,他のPGMよりもFSPNの方が優れていることが示された。

関連論文リスト

• Improving Tree Probability Estimation with Stochastic Optimization and Variance Reduction [11.417249588622926]
  サブスプリットベイズネットワーク(SBN)は木確率推定のための強力な確率的グラフィカルモデルを提供する。 現在、SBNパラメータの学習に使われている期待値(EM)法は、大きなデータセットまでスケールしない。 本稿では,SBNを学習するための計算効率のよい方法をいくつか紹介し,分散化が性能向上の鍵となることを示す。
  論文  参考訳（メタデータ） (2024-09-09T02:22:52Z)
• Enhancing Fast Feed Forward Networks with Load Balancing and a Master Leaf Node [49.08777822540483]
  高速フィードフォワードネットワーク(FFF)は、入力空間の異なる領域が広いネットワークのニューロンの異なるサブセットを活性化する観察を利用する。 本稿では,FFFアーキテクチャにロードバランシングとマスタリーフ技術を導入し,性能向上とトレーニングプロセスの簡素化を図る。
  論文  参考訳（メタデータ） (2024-05-27T05:06:24Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Layer-wise Feedback Propagation [53.00944147633484]
  本稿では、ニューラルネットワークのような予測器のための新しいトレーニング手法であるLFP(Layer-wise Feedback Propagation)を提案する。 LFPは、与えられたタスクの解決に対するそれぞれの貢献に基づいて、個々のコネクションに報酬を割り当てる。 各種モデルやデータセットの勾配降下に匹敵する性能を達成できることの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• A New PHO-rmula for Improved Performance of Semi-Structured Networks [0.0]
  本研究では,SSNにおけるモデルコンポーネントのコントリビューションを適切に識別する手法が,最適ネットワーク推定に繋がることを示す。 モデルコンポーネントの識別性を保証し,予測品質を向上する非侵襲的ポストホック化(PHO)を提案する。 我々の理論的な知見は、数値実験、ベンチマーク比較、およびCOVID-19感染症に対する現実の応用によって裏付けられている。
  論文  参考訳（メタデータ） (2023-06-01T10:23:28Z)
• Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks [25.132159381873656]
  グラフ表現学習のための新しい確率的フレームワークであるグラフ誘導Sum-Product Networks (GSPNs)を紹介する。 このモデルが持つ競争力は,不足するデータの下での監視シナリオの不足や,一般的なニューラルモデルと比較したグラフ分類に代表される。
  論文  参考訳（メタデータ） (2023-05-17T20:02:08Z)
• Performance and Interpretability Comparisons of Supervised Machine Learning Algorithms: An Empirical Study [3.7881729884531805]
  論文は発見に基づく方法で整理され、各セクションが一般的な結論を提供する。 全体として、XGBとFFNNは競争力があり、FFNNはスムーズなモデルでより良いパフォーマンスを示した。 RFは一般には良好に機能せず,文献で確認された。
  論文  参考訳（メタデータ） (2022-04-27T12:04:33Z)
• 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)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)

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。