論文の概要: Structure Learning of Contextual Markov Networks using Marginal Pseudo-likelihood

• arxiv url: http://arxiv.org/abs/2103.15540v1
• Date: Mon, 29 Mar 2021 12:13:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:35:22.618514
• Title: Structure Learning of Contextual Markov Networks using Marginal Pseudo-likelihood
• Title（参考訳）: Marginal Pseudo-likelihood を用いた文脈マルコフネットワークの構造学習
• Authors: Johan Pensar and Henrik Nyman and Jukka Corander
• Abstract要約: 一般文脈マルコフネットワークに対する解析的抽出可能な基準として、境界擬似類似性を導入する。 我々の基準は、一貫した構造推定器をもたらすことが示されている。
• 参考スコア（独自算出の注目度）: 5.364120183147694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Markov networks are popular models for discrete multivariate systems where the dependence structure of the variables is specified by an undirected graph. To allow for more expressive dependence structures, several generalizations of Markov networks have been proposed. Here we consider the class of contextual Markov networks which takes into account possible context-specific independences among pairs of variables. Structure learning of contextual Markov networks is very challenging due to the extremely large number of possible structures. One of the main challenges has been to design a score, by which a structure can be assessed in terms of model fit related to complexity, without assuming chordality. Here we introduce the marginal pseudo-likelihood as an analytically tractable criterion for general contextual Markov networks. Our criterion is shown to yield a consistent structure estimator. Experiments demonstrate the favorable properties of our method in terms of predictive accuracy of the inferred models.
• Abstract（参考訳）: マルコフネットワークは、変数の依存構造が無向グラフによって特定される離散多変量系の一般的なモデルである。 より表現力のある依存構造を実現するため、マルコフネットワークのいくつかの一般化が提案されている。 ここでは,変数対間のコンテキスト固有の独立性を考慮した文脈マルコフネットワークのクラスを考える。 コンテキストマルコフネットワークの構造学習は、非常に多くの可能な構造のため、非常に困難である。 主な課題の1つは、合唱性を前提にせずに、複雑性に適合するモデルの観点から構造を評価することができるスコアを設計することであった。 本稿では,一般文脈マルコフネットワークに対する解析的扱い可能な基準として,辺縁的擬似類似性を導入する。 我々の基準は、一貫した構造推定器をもたらす。 実験では,推定モデルの予測精度の観点から,提案手法の良好な特性を示す。

関連論文リスト

• Attention with Markov: A Framework for Principled Analysis of Transformers via Markov Chains [48.146073732531605]
  マルコフ連鎖のレンズによる変圧器の逐次モデリング機能について検討する。 自然言語のマルコフ性に触発され、マルコフの情報源としてデータをモデル化する。 我々は,データ特性とトランスフォーマーアーキテクチャに基づいて,グローバルなミニマと悪いローカルなミニマの存在を示す。
  論文  参考訳（メタデータ） (2024-02-06T17:18:59Z)
• Cyclic Directed Probabilistic Graphical Model: A Proposal Based on Structured Outcomes [0.0]
  本稿では,指向性周期依存を直接キャプチャ可能な確率的グラフィカルモデル(確率的関係ネットワーク)について述べる。 このモデルは確率公理に違反せず、観測データからの学習をサポートする。 特に、確率的推論をサポートし、データ分析やエキスパートおよび設計アプリケーションにおいて、将来的なツールとなる。
  論文  参考訳（メタデータ） (2023-10-25T10:19:03Z)
• Flow Factorized Representation Learning [109.51947536586677]
  本稿では、異なる入力変換を定義する潜在確率パスの別個のセットを規定する生成モデルを提案する。 本モデルは,ほぼ同変モデルに近づきながら,標準表現学習ベンチマークにおいて高い確率を達成することを示す。
  論文  参考訳（メタデータ） (2023-09-22T20:15:37Z)
• Generalized Precision Matrix for Scalable Estimation of Nonparametric Markov Networks [11.77890309304632]
  マルコフネットワークは、確率変数の集合の中で条件独立構造またはマルコフ特性を特徴づける。 本研究では,すべてのデータ型に対する一般分布における条件独立構造を特徴付ける。 また,変数間の一般関数関係を許容し,マルコフネットワーク構造学習アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2023-05-19T01:53:10Z)
• Equivariant Transduction through Invariant Alignment [71.45263447328374]
  グループ内ハードアライメント機構を組み込んだ,新しいグループ同変アーキテクチャを提案する。 我々のネットワーク構造は、既存のグループ同変アプローチよりも強い同変特性を発達させることができる。 また、SCANタスクにおいて、従来のグループ同変ネットワークよりも経験的に優れていたことが判明した。
  論文  参考訳（メタデータ） (2022-09-22T11:19:45Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
  本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。 このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
  論文  参考訳（メタデータ） (2020-07-28T17:13:59Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)
• Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable Structured Priors [13.712395104755783]
  混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。 最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。 我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
  論文  参考訳（メタデータ） (2020-02-21T19:32:32Z)

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。