論文の概要: Scaling up Continuous-Time Markov Chains Helps Resolve Underspecification

• arxiv url: http://arxiv.org/abs/2107.02911v1
• Date: Tue, 6 Jul 2021 21:14:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 04:09:58.056153
• Title: Scaling up Continuous-Time Markov Chains Helps Resolve Underspecification
• Title（参考訳）: 連続時間マルコフ連鎖のスケールアップは、アンダーシグメンテーションの解決に役立つ
• Authors: Alkis Gotovos, Rebekka Burkholz, John Quackenbush, and Stefanie Jegelka
• Abstract要約: 連続時間マルコフ連鎖を学習するための近似的近似法を開発し、数百項目までスケール可能で、従来の方法よりも桁違いに高速である。 合成および実がんデータに対するアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 42.97840843148334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling the time evolution of discrete sets of items (e.g., genetic mutations) is a fundamental problem in many biomedical applications. We approach this problem through the lens of continuous-time Markov chains, and show that the resulting learning task is generally underspecified in the usual setting of cross-sectional data. We explore a perhaps surprising remedy: including a number of additional independent items can help determine time order, and hence resolve underspecification. This is in sharp contrast to the common practice of limiting the analysis to a small subset of relevant items, which is followed largely due to poor scaling of existing methods. To put our theoretical insight into practice, we develop an approximate likelihood maximization method for learning continuous-time Markov chains, which can scale to hundreds of items and is orders of magnitude faster than previous methods. We demonstrate the effectiveness of our approach on synthetic and real cancer data.
• Abstract（参考訳）: 離散的な項目集合(例えば遺伝子変異)の時間発展のモデル化は、多くの生物医学的応用において根本的な問題である。 我々は, 連続時間マルコフ連鎖のレンズを通してこの問題にアプローチし, 学習課題が通常, 横断的データの設定において過小評価されていることを示す。 他にも多くの独立した項目が加わり、時間順の決定に役立ち、したがって過度な指定の解消に役立ちます。 これは、分析を関連する項目の小さなサブセットに限定するという一般的な慣習とは対照的であり、これは主に既存のメソッドのスケーリングが不十分なためである。 理論的な考察を実践するために,我々は,数百項目までスケール可能で,従来の手法よりも桁違いに高速である連続時間マルコフ連鎖を学習するための近似的最大化法を開発した。 合成および実がんデータに対するアプローチの有効性を実証する。

関連論文リスト

• ULTRA-MC: A Unified Approach to Learning Mixtures of Markov Chains via Hitting Times [13.299820337462833]
  離散的および連続的なマルコフ連鎖の混合を学習するための統一戦略を導入する。 具体的には、推定打点時間を正確に反映した混合物を出力する再構成アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-23T22:57:15Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Markovletics: Methods and A Novel Application for Learning Continuous-Time Markov Chain Mixtures [11.131861804842886]
  連続時間マルコフ連鎖(CTMC)の学習混合物の研究 CTMCは、ソーシャルメディア、金融、生物学など、様々な分野で広く使われている複雑な連続的なプロセスをモデル化することができる。 我々はCTMCを探索する新しい枠組みを導入し、観測された軌跡の長さと混合パラメータが問題状態に与える影響を強調した。 3年間にわたるLastfmのユーザ生成パスの広範なコレクションにアルゴリズムを適用し、多様なユーザの好みを識別するアルゴリズムの能力を実証する。
  論文  参考訳（メタデータ） (2024-02-27T18:04:59Z)
• A Dynamical View of the Question of Why [10.243488468625783]
  因果的貢献を計算し、それらを強化学習問題とみなすための2つの重要な補題を提示する。 我々の手法は拡散過程における因果関係の解明と定量化のための形式的および計算ツールを提供する。 かなり複雑な実験やせん断学習によって、我々のフレームワークは因果関係を明らかにし、定量化する。
  論文  参考訳（メタデータ） (2024-02-14T18:44:05Z)
• Scalable Structure Learning for Sparse Context-Specific Systems [0.0]
  数百の変数にスケールする文脈特化モデルを学習するためのアルゴリズムを提案する。 本手法は, 合成データと実世界の実例でよく動作することを示す。
  論文  参考訳（メタデータ） (2024-02-12T16:28:52Z)
• Multi-Label Quantification [78.83284164605473]
  定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。 本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:29:59Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Meta Cyclical Annealing Schedule: A Simple Approach to Avoiding Meta-Amortization Error [50.83356836818667]
  循環型アニーリングスケジュールとMMD基準を用いた新しいメタレギュラー化目標を構築した。 実験の結果,本手法は標準的なメタ学習アルゴリズムよりもかなり優れていることがわかった。
  論文  参考訳（メタデータ） (2020-03-04T04:43:16Z)

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。