論文の概要: Information fusion between knowledge and data in Bayesian network structure learning

• arxiv url: http://arxiv.org/abs/2102.00473v1
• Date: Sun, 31 Jan 2021 15:45:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 16:18:26.508262
• Title: Information fusion between knowledge and data in Bayesian network structure learning
• Title（参考訳）: ベイズネットワーク構造学習における知識とデータ間の情報融合
• Authors: Anthony C. Constantinou, Zhigao Guo, Neville K. Kitson
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.994412766684843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian Networks (BNs) have become a powerful technology for reasoning under uncertainty, particularly in areas that require causal assumptions that enable us to simulate the effect of intervention. The graphical structure of these models can be determined by causal knowledge, learnt from data, or a combination of both. While it seems plausible that the best approach in constructing a causal graph involves combining knowledge with machine learning, this approach remains underused in practice. This paper describes and evaluates a set of information fusion methods that have been implemented in the open-source Bayesys structure learning system. The methods enable users to specify pre-existing knowledge and rule-based information that can be obtained from heterogeneous sources, to constrain or guide structure learning. Each method is assessed in terms of structure learning impact, including graphical accuracy, model fitting, complexity and runtime. The results are illustrated both with limited and big data, with application to three BN structure learning algorithms available in Bayesys, and reveal interesting inconsistencies about their effectiveness where the results obtained from graphical measures often contradict those obtained from model fitting measures. While the overall results show that information fusion methods become less effective with big data due to higher learning accuracy rendering knowledge less important, some information fusion methods do perform better with big data. Lastly, amongst the main conclusions is the observation that reduced search space obtained from knowledge constraints does not imply reduced computational complexity, which can happen when the constraints set up a tension between what the data indicate and what the constraints are trying to enforce.
• Abstract（参考訳）: ベイズネットワーク(BN)は、特に介入の効果をシミュレートできる因果的仮定を必要とする分野において、不確実性の下で推論するための強力な技術となっている。 これらのモデルのグラフィカルな構造は、因果的知識、データから学ぶこと、あるいは両方の組み合わせによって決定できる。 因果グラフ構築における最良のアプローチは、知識と機械学習を組み合わせることであると思えるが、実際にはこのアプローチは過小評価されている。 本稿では,オープンソースの bayesys 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とともに評価する。 この手法により、異種情報源から得られる既存の知識やルールに基づく情報を指定することができ、構造学習の制約や指導を行うことができる。 各メソッドは、グラフィカルな正確性、モデル適合性、複雑さ、ランタイムなど、構造学習の影響の観点から評価される。 ベイジーズで利用可能な3つのbn構造学習アルゴリズムに適用し、グラフィカル測度から得られる結果がモデルフィッティング測度から得られる結果と矛盾することが多い場合、その有効性に関する興味深い不一致を明らかにする。 総合的な結果から,学習精度の向上による情報融合手法のビッグデータ利用効率の低下が示唆されるが,情報融合手法によってはビッグデータの利用性が向上する。 最後に、主な結論として、知識制約から得られる検索空間の減少は、制約がデータが示すものと制約が強制しようとしているものとの間に緊張を設定した場合に起こり得る、計算の複雑さを減らすことを意味するものではないという観測がある。

関連論文リスト

• Learning to refine domain knowledge for biological network inference [2.209921757303168]
  摂動実験により、生物学者は興味のある変数間の因果関係を発見することができる。 これらのデータの空間性と高次元性は因果構造学習アルゴリズムに重大な課題をもたらす。 そこで本研究では,データ観測に基づくドメイン知識の補修アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T12:53:23Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Causal discovery using dynamically requested knowledge [7.904709685523615]
  Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。 本研究では,構造学習アルゴリズム自体が,アルゴリズムが不確実であると認識する関係について,知識を動的に識別し,要求する新たなアプローチについて検討する。 構造的精度は,既存の知識統合手法よりも大幅に向上した。
  論文  参考訳（メタデータ） (2023-10-17T11:21:23Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
  因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。 データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。 我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-18T09:26:07Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• How do some Bayesian Network machine learned graphs compare to causal knowledge? [6.5745172279769255]
  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。
  論文  参考訳（メタデータ） (2021-01-25T22:29:54Z)
• Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
  因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。 ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-15T14:28:21Z)

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。