論文の概要: Probabilistic Dependency Graphs

• arxiv url: http://arxiv.org/abs/2012.10800v1
• Date: Sat, 19 Dec 2020 22:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 11:58:23.608029
• Title: Probabilistic Dependency Graphs
• Title（参考訳）: 確率的依存グラフ
• Authors: Oliver Richardson, Joseph Y Halpern
• Abstract要約: 確率依存グラフ(PDG)を紹介する。 PDGは自然な方法で一貫性のない信念を捉えることができる。 PDGが特に自然なモデリングツールであることを示す。
• 参考スコア（独自算出の注目度）: 14.505867475659274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Probabilistic Dependency Graphs (PDGs), a new class of directed graphical models. PDGs can capture inconsistent beliefs in a natural way and are more modular than Bayesian Networks (BNs), in that they make it easier to incorporate new information and restructure the representation. We show by example how PDGs are an especially natural modeling tool. We provide three semantics for PDGs, each of which can be derived from a scoring function (on joint distributions over the variables in the network) that can be viewed as representing a distribution's incompatibility with the PDG. For the PDG corresponding to a BN, this function is uniquely minimized by the distribution the BN represents, showing that PDG semantics extend BN semantics. We show further that factor graphs and their exponential families can also be faithfully represented as PDGs, while there are significant barriers to modeling a PDG with a factor graph.
• Abstract（参考訳）: 我々は,有向グラフィカルモデルの新しいクラスである確率依存グラフ(pdgs)を導入する。 pdgは自然な方法で一貫性のない信念を捉えることができ、ベイジアンネットワーク(bns)よりもモジュラーであり、新しい情報を取り入れ、表現を再構成しやすくする。 PDGが特に自然なモデリングツールであることを示す。 PDGに対する3つのセマンティクスを提供し、それぞれが、PDGとの不整合性を表すものとみなすことのできるスコアリング関数(ネットワーク上の変数の共役分布)から導出することができる。 BNに対応するPDGに対して、この関数はBNが表す分布によって一意に最小化され、PDG意味論がBN意味論を拡張することを示す。 さらに,因子グラフとその指数関数族は pdg として忠実に表現できるが,因子グラフを用いた pdg のモデル化には大きな障壁がある。

関連論文リスト

• Inference for Probabilistic Dependency Graphs [42.03917543423699]
  確率依存グラフ (PDGs) は確率モデルの柔軟なクラスである。 離散変数を持つPDGに対する最初のトラクタブル推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-09T18:40:12Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Graph Neural Networks Intersect Probabilistic Graphical Models: A Survey [0.0]
  グラフニューラルネットワーク(GNN)と確率的グラフィカルモデル(PGM)の交点について検討する。 GNNは、PGMにおける構造化表現の学習、PGMによる説明可能な予測、およびPGMがオブジェクト関係を推測する方法の恩恵を受けることができる。 本稿では,最近の研究で使用されるベンチマークデータセットを要約し,将来的な方向性について論じる。
  論文  参考訳（メタデータ） (2022-05-24T03:36:25Z)
• Loss as the Inconsistency of a Probabilistic Dependency Graph: Choose Your Model, Not Your Loss Function [0.0]
  本稿では,多くの標準的な損失関数が,適切なシナリオを記述した自然PDGの不整合として現れることを示す。 また,PDGの不整合性は多種多様な統計的発散を捉えていることを示す。 PDGが因子グラフである環境で、矛盾が対数分割関数(自由エネルギー)となるのを観察する。
  論文  参考訳（メタデータ） (2022-02-24T01:51:21Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Crime Prediction with Graph Neural Networks and Multivariate Normal Distributions [18.640610803366876]
  グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。 グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。 モデルが生成性だけでなく,正確性も示しています。
  論文  参考訳（メタデータ） (2021-11-29T17:37:01Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• PGM-Explainer: Probabilistic Graphical Model Explanations for Graph Neural Networks [27.427529601958334]
  グラフニューラルネットワーク(GNN)のための確率的グラフモデル(PGM)モデル非依存の説明器であるPGM-Explainerを提案する。 説明すべき予測が与えられた場合、PGM-Explainerは重要なグラフコンポーネントを特定し、その予測を近似したPGM形式で説明を生成する。 PGM-Explainerは,多くのベンチマークタスクにおいて既存の説明器よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-10-12T15:33:13Z)

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。