論文の概要: Graph Coding for Model Selection and Anomaly Detection in Gaussian Graphical Models

• arxiv url: http://arxiv.org/abs/2102.02431v1
• Date: Thu, 4 Feb 2021 06:13:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 15:57:46.142359
• Title: Graph Coding for Model Selection and Anomaly Detection in Gaussian Graphical Models
• Title（参考訳）: ガウス図形モデルにおけるモデル選択と異常検出のためのグラフ符号化
• Authors: Mojtaba Abolfazli, Anders Host-Madsen, June Zhang, Andras Bratincsak
• Abstract要約: ガウス図形モデルにおけるデータ解析のための記述長を拡張する。 本手法は,モデルの複雑さを正確に説明するために普遍的なグラフ符号化法を用いる。 実験により,本手法は一般的に用いられる手法と比較して優れた性能を示すことが示された。
• 参考スコア（独自算出の注目度）: 2.752817022620644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A classic application of description length is for model selection with the minimum description length (MDL) principle. The focus of this paper is to extend description length for data analysis beyond simple model selection and sequences of scalars. More specifically, we extend the description length for data analysis in Gaussian graphical models. These are powerful tools to model interactions among variables in a sequence of i.i.d Gaussian data in the form of a graph. Our method uses universal graph coding methods to accurately account for model complexity, and therefore provide a more rigorous approach for graph model selection. The developed method is tested with synthetic and electrocardiogram (ECG) data to find the graph model and anomaly in Gaussian graphical models. The experiments show that our method gives better performance compared to commonly used methods.
• Abstract（参考訳）: 記述長の古典的な応用は、最小記述長(MDL)原理によるモデル選択である。 本研究の目的は,スカラーの単純なモデル選択やシーケンスを超えて,データ解析のための記述長を拡張することである。 具体的には、ガウス図形モデルにおけるデータ解析のための記述長を拡張する。 これらは、変数間の相互作用をグラフの形で、すなわちガウスデータの列でモデル化する強力なツールである。 本手法は,ユニバーサルグラフ符号化手法を用いて,モデルの複雑さを正確に考慮し,より厳密なグラフモデル選択手法を提供する。 本手法は合成心電図(ECG)データを用いて,ガウス図形モデルにおけるグラフモデルと異常を検出する。 実験の結果,本手法は一般的な手法に比べて性能がよいことがわかった。

関連論文リスト

• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Generative Diffusion Models on Graphs: Methods and Applications [50.44334458963234]
  拡散モデルは、新しい生成パラダイムとして、様々な画像生成タスクにおいて顕著な成功を収めた。 グラフ生成は多くの実世界のアプリケーションを持つグラフ上で重要な計算タスクである。
  論文  参考訳（メタデータ） (2023-02-06T06:58:17Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• Deep Manifold Learning with Graph Mining [80.84145791017968]
  グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。 提案モデルでは,現行モデルと比較して最先端性能を実現している。
  論文  参考訳（メタデータ） (2022-07-18T04:34:08Z)
• MetaGL: Evaluation-Free Selection of Graph Learning Models via Meta-Learning [17.70842402755857]
  評価自由グラフ学習モデル選択のためのメタ学習手法MetaGLを開発した。 様々なグラフにまたがる類似性を定量化するために,特殊メタグラフ機能を導入する。 そして、グラフとモデル間の関係を表すG-Mネットワークを設計し、グラフベースのメタラーナーを開発する。
  論文  参考訳（メタデータ） (2022-06-18T20:43:38Z)
• Scalable mixed-domain Gaussian process modeling and model reduction for longitudinal data [5.00301731167245]
  混合領域共分散関数に対する基底関数近似スキームを導出する。 我々は,GPモデルの精度をランタイムのごく一部で正確に近似できることを示す。 また、より小さく、より解釈可能なモデルを得るためのスケーラブルなモデルリダクションワークフローを実証する。
  論文  参考訳（メタデータ） (2021-11-03T04:47:37Z)
• Adaptive Gaussian Processes on Graphs via Spectral Graph Wavelets [3.2498534294827044]
  本稿では,異なるスケールで情報を集約できるスペクトルグラフウェーブレットを用いたプロセスモデルを提案する。 グラフスペクトルの高密度領域における低近似誤差を求めるフィルタ関数のスペクトル適応近似を用いて,より大きなグラフに対するスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2021-10-25T09:25:04Z)
• Gaussian Graphical Model Selection for Huge Data via Minipatch Learning [1.2891210250935146]
  グラフィカルモデル選択の問題を解決するために,MPGraph (Minipatch Graph) 推定器を提案する。 MPGraphは、観測とノードの両方の小さなランダムなサブセットに適合する閾値グラフ推定器の一般化である。 本アルゴリズムは有限サンプルグラフ選択の整合性を実現する。
  論文  参考訳（メタデータ） (2021-10-22T21:06:48Z)
• Kernel-Based Models for Influence Maximization on Graphs based on Gaussian Process Variance Minimization [9.357483974291899]
  グラフ上の新しい影響モデル(IM)の導入と検討を行う。 データ駆動アプローチは、このIMモデルの適切なカーネルを決定するために適用することができる。 この分野でコストのかかるモンテカルロシミュレーションに依存するモデルと比較して、我々のモデルはシンプルでコスト効率のよい更新戦略を可能にする。
  論文  参考訳（メタデータ） (2021-03-02T08:55:34Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。