論文の概要: Bayesian structure learning and sampling of Bayesian networks with the R package BiDAG

• arxiv url: http://arxiv.org/abs/2105.00488v1
• Date: Sun, 2 May 2021 14:42:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 01:58:18.445170
• Title: Bayesian structure learning and sampling of Bayesian networks with the R package BiDAG
• Title（参考訳）: RパッケージBiDAGによるベイズネットワークのベイズ構造学習とサンプリング
• Authors: Polina Suter and Jack Kuipers and Giusi Moffa and Niko Beerenwinkel
• Abstract要約: BiDAGはマルコフ連鎖モンテカルロ法(MCMC)を実装し、ベイジアンネットワークの構造学習とサンプリングを行う。 このパッケージには、最大 a posteriori (map) グラフを検索し、データが与えられた後続分布からグラフをサンプリングするツールが含まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The R package BiDAG implements Markov chain Monte Carlo (MCMC) methods for structure learning and sampling of Bayesian networks. The package includes tools to search for a maximum a posteriori (MAP) graph and to sample graphs from the posterior distribution given the data. A new hybrid approach to structure learning enables inference in large graphs. In the first step, we define a reduced search space by means of the PC algorithm or based on prior knowledge. In the second step, an iterative order MCMC scheme proceeds to optimize within the restricted search space and estimate the MAP graph. Sampling from the posterior distribution is implemented using either order or partition MCMC. The models and algorithms can handle both discrete and continuous data. The BiDAG package also provides an implementation of MCMC schemes for structure learning and sampling of dynamic Bayesian networks.
• Abstract（参考訳）: RパッケージBiDAGはマルコフ連鎖モンテカルロ法(MCMC)を実装し、ベイズネットワークの構造学習とサンプリングを行う。 このパッケージには、最大 a posteriori (map) グラフを検索し、データが与えられた後続分布からグラフをサンプリングするツールが含まれている。 構造学習への新しいハイブリッドアプローチは、大きなグラフで推論を可能にする。 最初のステップでは,PCアルゴリズムを用いて,あるいは事前知識に基づいて,検索スペースの削減を定義する。 2番目のステップでは、反復順序MCMCスキームが制限された探索空間内で最適化し、MAPグラフを推定する。 後部分布からのサンプリングは順序または分割MCMCを用いて行う。 モデルとアルゴリズムは離散データと連続データの両方を扱うことができる。 BiDAGパッケージはまた、動的ベイズネットワークの構造学習とサンプリングのためのMCMCスキームの実装も提供する。

関連論文リスト

• Sequential Monte Carlo Learning for Time Series Structure Discovery [17.964180907602657]
  逐次モンテカルロとインボリューティブMCMCを統合した構造学習アルゴリズムを提案する。 本手法は, 時系列に新しいデータを組み込んだ「オンライン」設定と, 「オフライン」設定の両方で使用することができる。
  論文  参考訳（メタデータ） (2023-07-13T16:38:01Z)
• A Bayesian Take on Gaussian Process Networks [1.7188280334580197]
  この研究はモンテカルロ法とマルコフ・チェイン・モンテカルロ法を実装し、ネットワーク構造の後方分布からサンプリングする。 提案手法は,ネットワークのグラフィカルな構造を復元する上で,最先端のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-20T08:38:31Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• 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)
• Parallel Sampling for Efficient High-dimensional Bayesian Network Structure Learning [6.85316573653194]
  本稿では,CPS(Candidate Parent Sets)上で並列サンプリングを行う近似アルゴリズムについて述べる。 修正アルゴリズムはParallel Sampling MINOBS (PS-MINOBS) と呼ばれ、各変数のCPSをサンプリングすることでグラフを構成する。
  論文  参考訳（メタデータ） (2022-02-19T22:35:59Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• MIxBN: library for learning Bayesian networks from mixed data [0.0]
  本稿では、離散変数と連続変数(混合データ)を含むデータからベイズネットワークを学習するための新しいライブラリについて述べる。 データの離散化が情報損失につながるため、離散化せずに混合データから構造学習とパラメータを学習することができる。
  論文  参考訳（メタデータ） (2021-06-24T17:19:58Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Unsupervised Deep Cross-modality Spectral Hashing [65.3842441716661]
  このフレームワークは、最適化をバイナリ最適化とハッシュ関数学習に分離する2段階のハッシュアプローチである。 本稿では,単一モダリティと二項相互モダリティを同時に学習するスペクトル埋め込みに基づく新しいアルゴリズムを提案する。 我々は、画像に強力なCNNを活用し、テキストモダリティを学ぶためのCNNベースのディープアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-08-01T09:20:11Z)

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。