Fugu-MT 論文翻訳(概要): Sensitivity and robustness analysis in Bayesian networks with the bnmonitor R package

論文の概要: Sensitivity and robustness analysis in Bayesian networks with the bnmonitor R package

arxiv url: http://arxiv.org/abs/2107.11785v1
Date: Sun, 25 Jul 2021 11:23:43 GMT
ステータス: 処理完了
システム内更新日: 2021-07-28 01:41:07.906996
Title: Sensitivity and robustness analysis in Bayesian networks with the bnmonitor R package
Title（参考訳）: bnmonitor Rパッケージを用いたベイズネットワークの感度とロバスト性解析
Authors: Manuele Leonelli, Ramsiya Ramanathan, Rachel L. Wilkerson
Abstract要約: 本稿では,ベイズネットワークの検証にbnmonitor Rパッケージを用いることを示す。医療データセット上でbnmonitorを用いた応用データ分析を行い、その広範囲な機能の利用を図示する。
参考スコア（独自算出の注目度）: 2.2559617939136505
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bayesian networks are a class of models that are widely used for risk assessment of complex operational systems. There are now multiple approaches, as well as implemented software, that guide their construction via data learning or expert elicitation. However, a constructed Bayesian network needs to be validated before it can be used for practical risk assessment. Here, we illustrate the usage of the bnmonitor R package: the first comprehensive software for the validation of a Bayesian network. An applied data analysis using bnmonitor is carried out over a medical dataset to illustrate the use of its wide array of functions.
Abstract（参考訳）: ベイズネットワーク(英: Bayesian network)は、複雑な運用システムのリスクアセスメントに広く用いられているモデルである。今では複数のアプローチと実装済みのソフトウェアがあり、データ学習やエキスパートの理解を通じて構築を導く。しかし、構築されたベイズネットワークは、実用的なリスク評価に使用できる前に検証する必要がある。ここでは、bnmonitor rパッケージ(ベイズネットワークの検証のための最初の包括的なソフトウェア)の使用例を示す。医療データセット上でbnmonitorを用いた応用データ分析を行い、その広範囲な機能の利用を図示する。

関連論文リスト

Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
論文参考訳（メタデータ） (2023-02-02T13:41:18Z)
Runtime Monitoring for Out-of-Distribution Detection in Object Detection Neural Networks [0.0]
監視は、業界で使用されている実際のニューラルネットワークの設定における検証の、より現実的で適用可能な代替手段を提供する。本稿では,これまで提案されてきた分類ネットワークを,複数のオブジェクトの識別と位置同定が可能な認識システムに拡張する。
論文参考訳（メタデータ） (2022-12-15T12:50:42Z)
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)
Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
論文参考訳（メタデータ） (2021-09-07T21:24:36Z)
Semi-supervised learning with Bayesian Confidence Propagation Neural Network [0.0]
ラベルの少ないデータから内部表現を学習することは、機械学習研究に有用である。近年の研究では、これらのネットワークがベイジアン・ヘビアン学習規則を用いてデータから有用な内部表現を学習できることが示されている。
論文参考訳（メタデータ） (2021-06-29T16:29:17Z)
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)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
A Safety Framework for Critical Systems Utilising Deep Neural Networks [13.763070043077633]
本稿では,ディープニューラルネットワークを利用したクリティカルシステムのための新しい安全引数フレームワークを提案する。このアプローチは、例えば、ある要求をパスする将来の信頼性、あるいは必要な信頼性レベルへの信頼など、様々な形の予測を可能にする。運用データを用いたベイズ解析と,近年のディープラーニングの検証と検証技術によって支援されている。
論文参考訳（メタデータ） (2020-03-07T23:35:05Z)
A Tutorial on Learning With Bayesian Networks [8.98526174345299]
ベイズネットワークは、興味のある変数間の確率的関係を符号化するグラフィカルモデルである。ベイズネットワークは因果関係の学習に利用できる。また、問題領域の理解を得、介入の結果を予測するためにも使用できる。
論文参考訳（メタデータ） (2020-02-01T20:03:21Z)

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。