論文の概要: How do some Bayesian Network machine learned graphs compare to causal knowledge?

• arxiv url: http://arxiv.org/abs/2101.10461v2
• Date: Tue, 2 Feb 2021 15:10:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 19:19:40.447263
• Title: How do some Bayesian Network machine learned graphs compare to causal knowledge?
• Title（参考訳）: ベイジアンネットワークが学習したグラフは、因果知識とどのように比べられるか?
• Authors: Anthony C. Constantinou, Norman Fenton, Martin Neil
• Abstract要約: ベイズネットワーク(BN)のグラフは、因果知識によって決定されるか、両方の組み合わせで学習することができる。 本論文は、純粋に機械学習と純粋に知識ベースのBNに焦点を当てる。 本研究は, 図形構造の違いと, 暗示統計モデルによるデータ説明の精度について検討する。
• 参考スコア（独自算出の注目度）: 6.5745172279769255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The graph of a Bayesian Network (BN) can be machine learned, determined by causal knowledge, or a combination of both. In disciplines like bioinformatics, applying BN structure learning algorithms can reveal new insights that would otherwise remain unknown. However, these algorithms are less effective when the input data are limited in terms of sample size, which is often the case when working with real data. This paper focuses on purely machine learned and purely knowledge-based BNs and investigates their differences in terms of graphical structure and how well the implied statistical models explain the data. The tests are based on four previous case studies whose BN structure was determined by domain knowledge. Using various metrics, we compare the knowledge-based graphs to the machine learned graphs generated from various algorithms implemented in TETRAD spanning all three classes of learning. The results show that, while the algorithms produce graphs with much higher model selection score, the knowledge-based graphs are more accurate predictors of variables of interest. Maximising score fitting is ineffective in the presence of limited sample size because the fitting becomes increasingly distorted with limited data, guiding algorithms towards graphical patterns that share higher fitting scores and yet deviate considerably from the true graph. This highlights the value of causal knowledge in these cases, as well as the need for more appropriate fitting scores suitable for limited data. Lastly, the experiments also provide new evidence that support the notion that results from simulated data tell us little about actual real-world performance.
• Abstract（参考訳）: ベイズネットワーク(BN)のグラフは、因果知識によって決定されるか、両方の組み合わせで学習することができる。 バイオインフォマティクスのような分野では、BN構造学習アルゴリズムを適用することで、未知のままの新たな洞察を明らかにすることができる。 しかし、これらのアルゴリズムは、実際のデータを扱う場合にしばしば発生するサンプルサイズにおいて、入力データが制限されている場合、効果が低い。 本稿では、純粋に機械学習と純粋に知識ベースのBNに焦点を当て、グラフィカル構造と暗黙の統計モデルがどのようにデータを説明しているかの違いを調査します。 テストは、BN構造がドメイン知識によって決定された以前の4つのケーススタディに基づいている。 知識に基づくグラフを,TETRADで実装された3つの学習クラスにまたがる様々なアルゴリズムから生成された機械学習グラフと比較した。 その結果、アルゴリズムはより高いモデル選択スコアを持つグラフを生成する一方で、知識に基づくグラフは興味のある変数のより正確な予測因子であることがわかった。 スコアフィッティングの最大化は、限られたデータで歪みが増し、より高いスコアを共有しながら真のグラフからかなり逸脱するグラフィカルなパターンにアルゴリズムを導くため、限られたサンプルサイズの存在下では効果がない。 これは、これらのケースにおける因果知識の価値と、限られたデータに適した適切なスコアの必要性を強調する。 最後に、シミュレーションデータの結果が実際の実世界のパフォーマンスについてほとんどわからないという概念を支持する新たな証拠も提示しています。

関連論文リスト

• A Full DAG Score-Based Algorithm for Learning Causal Bayesian Networks with Latent Confounders [0.0]
  因果ベイズネットワーク(Causal Bayesian Network, CBN)は、変数間の因果関係を符号化する一般的なグラフィカル確率モデルである。 本稿では,DAGの空間を探索し,潜在する共同設立者の存在を識別できる,初めての完全スコアに基づく構造学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-20T20:25:56Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
  我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。 教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-11-08T12:41:58Z)
• Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
  グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。 本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
  論文  参考訳（メタデータ） (2022-04-04T10:48:32Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Information fusion between knowledge and data in Bayesian network structure learning [5.994412766684843]
  本稿では,オープンソースのベイジィス構造学習システムで実装された情報融合手法について述べる。 結果は、限定データとビッグデータの両方で示され、ベイジスで利用可能なBN構造学習アルゴリズムが3つ適用されている。
  論文  参考訳（メタデータ） (2021-01-31T15:45:29Z)
• A Unifying Generative Model for Graph Learning Algorithms: Label Propagation, Graph Convolutions, and Combinations [39.8498896531672]
  グラフに関する半教師付き学習は、ネットワーク科学と機械学習において広く適用可能な問題である。 我々は,ノード属性のデータ生成プロセスのためのマルコフ確率場モデルを開発した。 ラベル伝播,線形化グラフ畳み込みネットワーク,それらの組み合わせが条件付き期待値として導出できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T17:07:08Z)
• NodeNet: A Graph Regularised Neural Network for Node Classification [0.0]
  ほとんどのAI/ML技術は、データポイント間のリンクを排除している。 近年,グラフベースのAI/ML技術への関心が高まっている。 引用グラフのノード分類タスクを解決するために,NGL - NodeNet を用いたモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-16T09:41:58Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。