論文の概要: Linear Polytree Structural Equation Models: Structural Learning and
Inverse Correlation Estimation
- arxiv url: http://arxiv.org/abs/2107.10955v1
- Date: Thu, 22 Jul 2021 23:22:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 13:58:19.242946
- Title: Linear Polytree Structural Equation Models: Structural Learning and
Inverse Correlation Estimation
- Title（参考訳）: 線形多木構造方程式モデル:構造学習と逆相関推定
- Authors: Xingmei Lou, Yu Hu, Xiaodong Li
- Abstract要約: 我々は、線形構造方程式モデル(SEM)からデータを生成する際に、有向非巡回グラフ(DAG)を学習する問題に興味を持っている。
ガウスモデルとガウスモデルの両方の下で、よく知られたChow-Liuアルゴリズムのサンプルサイズ条件を調べ、ポリツリーの同値クラスを正確に復元する。
- 参考スコア（独自算出の注目度）: 6.324929073951876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We are interested in the problem of learning the directed acyclic graph (DAG)
when data are generated from a linear structural equation model (SEM) and the
causal structure can be characterized by a polytree. Specially, under both
Gaussian and sub-Gaussian models, we study the sample size conditions for the
well-known Chow-Liu algorithm to exactly recover the equivalence class of the
polytree, which is uniquely represented by a CPDAG. We also study the error
rate for the estimation of the inverse correlation matrix under such models.
Our theoretical findings are illustrated by comprehensive numerical
simulations, and experiments on benchmark data also demonstrate the robustness
of the method when the ground truth graphical structure can only be
approximated by a polytree.
- Abstract（参考訳）: 我々は、線形構造方程式モデル(SEM)からデータを生成し、因果構造がポリツリーによって特徴づけられる場合に、有向非巡回グラフ(DAG)を学習する問題に興味を持っている。
特に、ガウスモデルとガウスモデルの両方において、よく知られたChow-Liuアルゴリズムのサンプルサイズ条件を調べ、CPDAGで一意に表現されるポリツリーの同値クラスを正確に復元する。
また,そのようなモデルに基づく逆相関行列の推定における誤差率についても検討した。
本理論は包括的数値シミュレーションによって示され,ベンチマークデータを用いた実験により,基礎的真理のグラフィカル構造が多木で近似できる場合にもロバスト性を示す。
関連論文リスト
- Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Learning Linear Gaussian Polytree Models with Interventions [0.0]
線形ガウス多樹の因果構造を学ぶための一貫した高度にスケーラブルな局所的アプローチを提案する。
我々の方法はまずポリツリーの骨格を学習し、次にその縁をオリエントする。
我々のシミュレーション研究は、我々のアプローチが高速で、構造的ハミング距離の点で精度が良く、何千ものノードで問題に対処できることを示した。
論文 参考訳（メタデータ） (2023-11-08T12:29:19Z) - Learning bounded-degree polytrees with known skeleton [15.137372516678143]
有界次数ポリツリーの効率的な適切な学習のための有限サンプル保証を確立する。
基礎となる無向グラフが知られているとき、d$-polytreesを時間で学習し、任意の有界$d$のサンプル複雑性を学習する効率的なアルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-10-10T06:03:51Z) - Topological Parallax: A Geometric Specification for Deep Perception
Models [0.778001492222129]
本稿では,学習したモデルを参照データセットと比較する理論的・計算ツールとしてトポロジカルパララックスを導入する。
我々の例では、データセットとモデルの間のこの幾何学的類似性は、信頼性と摂動に不可欠である。
この新しい概念は、ディープラーニングの応用における過度な適合と一般化の間の不明瞭な関係について、現在の議論に価値をもたらすだろう。
論文 参考訳（メタデータ） (2023-06-20T18:45:24Z) - Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。
クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。
このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文 参考訳（メタデータ） (2023-05-24T11:05:12Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - Learning Linear Non-Gaussian Polytree Models [2.4493299476776778]
ポリツリーであるグラフを効率的に学習するアルゴリズムを提案する。
提案手法は,まず無向木構造を学習するChow-Liuアルゴリズムと,エッジを指向する新しいスキームを組み合わせたものである。
論文 参考訳（メタデータ） (2022-08-13T18:20:10Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。
モデルのパラメータは期待最大化手順によって反復的に推定される。
論文 参考訳（メタデータ） (2021-06-16T18:00:02Z) - 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) - SGA: A Robust Algorithm for Partial Recovery of Tree-Structured
Graphical Models with Noisy Samples [75.32013242448151]
ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。
Katiyarら。
(2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。
統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
論文 参考訳（メタデータ） (2021-01-22T01:57:35Z)
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。