論文の概要: Learning Gaussian Graphical Models with Latent Confounders

• arxiv url: http://arxiv.org/abs/2105.06600v1
• Date: Fri, 14 May 2021 00:53:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 23:40:48.251633
• Title: Learning Gaussian Graphical Models with Latent Confounders
• Title（参考訳）: 潜在共同設立者によるガウス図形モデル学習
• Authors: Ke Wang, Alexander Franks, Sang-Yun Oh
• Abstract要約: グラフィカルモデルにおける推論のための2つの戦略と潜在共同設立者とを比較して比較する。 これら2つのアプローチは同じような目標を持っているが、結合に関するさまざまな仮定によって動機づけられている。 これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 72.98159102639153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian Graphical models (GGM) are widely used to estimate the network structures in many applications ranging from biology to finance. In practice, data is often corrupted by latent confounders which biases inference of the underlying true graphical structure. In this paper, we compare and contrast two strategies for inference in graphical models with latent confounders: Gaussian graphical models with latent variables (LVGGM) and PCA-based removal of confounding (PCA+GGM). While these two approaches have similar goals, they are motivated by different assumptions about confounding. In this paper, we explore the connection between these two approaches and propose a new method, which combines the strengths of these two approaches. We prove the consistency and convergence rate for the PCA-based method and use these results to provide guidance about when to use each method. We demonstrate the effectiveness of our methodology using both simulations and in two real-world applications.
• Abstract（参考訳）: ガウス図形モデル(GGM)は生物学からファイナンスまで多くの応用においてネットワーク構造を推定するために広く用いられている。 実際、データは、基礎となる真のグラフィカルな構造の推論をバイアスする潜伏した共同創設者によってしばしば腐敗する。 本稿では,潜在変数を持つガウス的グラフィカルモデル (LVGGM) と,PCAをベースとしたコンバウンディング除去 (PCA+GGM) の2つの手法を比較して比較する。 これら2つのアプローチは同じような目標を持っているが、結合に関するさまざまな仮定によって動機づけられている。 本稿では, これら2つのアプローチの関連性について検討し, これら2つのアプローチの強みを組み合わせた新しい手法を提案する。 そこで我々は,PCAに基づく手法の一貫性と収束率を証明し,これらの結果を用いて各手法をいつ使用するかのガイダンスを提供する。 本手法の有効性をシミュレーションと実世界の2つの応用で実証する。

関連論文リスト

• An unified approach to link prediction in collaboration networks [0.0]
  本稿では、協調ネットワークにおけるリンク予測の3つのアプローチについて検討し、比較する。 ERGMはネットワーク内の一般的な構造パターンをキャプチャするために使用される。 GCNとWord2Vec+MLPモデルはディープラーニング技術を利用してノードとその関係の適応的構造表現を学習する。
  論文  参考訳（メタデータ） (2024-11-01T22:40:39Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• The Virtues of Laziness in Model-based RL: A Unified Objective and Algorithms [37.025378882978714]
  モデルベース強化学習(MBRL)における2つの基本的な課題に対処する新しいアプローチを提案する。 我々の「怠慢」な手法は、学習された方針と専門家の政策の間のパフォーマンスの違いを捉えるために、モデルにおけるアドバンテージによるパフォーマンスの差異という、新しい統合された目的を生かしている。 提案する目的を最適化する2つの非回帰アルゴリズムを提案し,その統計的および計算的ゲインを実証する。
  論文  参考訳（メタデータ） (2023-03-01T17:42:26Z)
• Bridging Mean-Field Games and Normalizing Flows with Trajectory Regularization [11.517089115158225]
  平均場ゲーム(MFG)は、多数の相互作用エージェントを持つシステムのモデリングフレームワークである。 正規化フロー(NFs)は、可逆写像を用いてデータ可能性を計算する深層生成モデルのファミリーである。 本研究では,NF の学習を MFG の解法としてコンテキスト化することにより,MFG と NF の関係を明らかにする。
  論文  参考訳（メタデータ） (2022-06-30T02:44:39Z)
• Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
  エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。 本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。 損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-22T16:37:53Z)
• LDDMM meets GANs: Generative Adversarial Networks for diffeomorphic registration [1.2599533416395767]
  本稿では,ジェネレーティブ・アドリラル・ネットワークに基づく3次元モノモーダル画像対に対する逆学習手法を提案する。 我々は、微分同相の定常パラメータ化とEPDiff制約付き非定常パラメータ化の2つのモデルの実装に成功した。 提案手法は1秒未満の計算時間を持つモデルベース手法と類似した結果を示した。
  論文  参考訳（メタデータ） (2021-11-24T15:26:16Z)
• Towards Domain-Agnostic Contrastive Learning [103.40783553846751]
  そこで本研究では,DACLという対照的学習に対するドメインに依存しない新しいアプローチを提案する。 このアプローチの鍵となるのは、Mixupノイズを使用して、入力レベルと隠された状態レベルの両方で異なるデータサンプルを混合することで、類似した、異種なサンプルを作成することです。 以上の結果から,DACLはガウスノイズなどの他のドメインに依存しないノイズ発生手法よりも優れるだけでなく,SimCLRのようなドメイン固有の手法とうまく結合していることがわかった。
  論文  参考訳（メタデータ） (2020-11-09T13:41:56Z)
• MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
  本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。 このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。 実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
  論文  参考訳（メタデータ） (2020-08-27T13:04:27Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Adaptive Graphical Model Network for 2D Handpose Estimation [19.592024471753025]
  単眼RGB画像からの2次元手ポーズ推定の課題に対処する新しいアーキテクチャを提案する。 アダプティブ・グラフィカル・モデル・ネットワーク(Adaptive Graphical Model Network, AGMN)は、単一のポテンシャル関数とペアのポテンシャル関数を計算するための深部畳み込みニューラルネットワークの2つの枝からなる。 提案手法は,2つの公開データセットに対する顕著なマージンによる2次元手指キーポイント推定における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2019-09-18T04:19:51Z)

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。