論文の概要: Bayesian learning of forest and tree graphical models
- arxiv url: http://arxiv.org/abs/2108.13992v1
- Date: Tue, 31 Aug 2021 17:30:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 14:35:00.465290
- Title: Bayesian learning of forest and tree graphical models
- Title(参考訳): 森林・樹木図形モデルのベイズ的学習
- Authors: Edmund Jones
- Abstract要約: あるグラフから別のグラフへ繰り返し移動することによって、あるグラフのクラスや近似分布に注意することが一般的である。
非分解性グラフに対するアルゴリズムの2つの修正版を与え、特に事前分布としてランダム分布について議論する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Bayesian learning of Gaussian graphical model structure, it is common to
restrict attention to certain classes of graphs and approximate the posterior
distribution by repeatedly moving from one graph to another, using MCMC or
methods such as stochastic shotgun search (SSS). I give two corrected versions
of an algorithm for non-decomposable graphs and discuss random graph
distributions, in particular as prior distributions. The main topic of the
thesis is Bayesian structure-learning with forests or trees. Restricting
attention to these graphs can be justified using theorems on random graphs. I
describe how to use the Chow$\unicode{x2013}$Liu algorithm and the Matrix Tree
Theorem to find the MAP forest and certain quantities in the posterior
distribution on trees. I give adapted versions of MCMC and SSS for
approximating the posterior distribution for forests and trees, and systems for
storing these graphs so that it is easy to choose moves to neighbouring graphs.
Experiments show that SSS with trees does well when the true graph is a tree or
sparse graph. SSS with trees or forests does better than SSS with decomposable
graphs in certain cases. Graph priors improve detection of hubs but need large
ranges of probabilities. MCMC on forests fails to mix well and MCMC on trees is
slower than SSS. (For a longer abstract see the thesis.)
- Abstract(参考訳): ガウス図形モデル構造のベイズ学習において、確率ショットガン探索(SSS)などの手法を用いて、あるグラフから別のグラフへ繰り返し移動することによって、あるグラフのクラスへの注意を制限し、後方分布を近似することが一般的である。
非可逆グラフに対するアルゴリズムの修正版を2つ与え、特に事前分布としてランダムグラフ分布について論じる。
論文の主なテーマは、森林や樹木によるベイズ構造学習である。
これらのグラフに対する注意を制限することは、ランダムグラフ上の定理を用いて正当化することができる。
Chow$\unicode{x2013}$Liu アルゴリズムと Matrix Tree Theorem を使って MAP forest と木上の後方分布の一定の量を見つける方法について説明する。
森林や樹木の後方分布を近似するためのMCMCとSSSの適応版と、これらのグラフを格納するシステムを提供し、近隣のグラフへの移動を容易に選択できるようにする。
実験により、真のグラフが木またはスパースグラフであるときに、木を持つSSSがうまく機能することが示された。
木や森林を持つSSSは、特定の場合において分解可能なグラフを持つSSSよりも優れている。
グラフプリエントはハブの検出を改善するが、幅広い確率を必要とする。
森林でのMCMCはうまく混合できず、樹木でのMCMCはSSSよりも遅い。
(より抽象的な意味では論文を参照のこと。)
関連論文リスト
- TreeFormer: Single-view Plant Skeleton Estimation via Tree-constrained Graph Generation [13.507708659476064]
木制約グラフ生成による植物骨格推定装置であるTreeFormerを提案する。
学習に基づくグラフ生成と従来のグラフアルゴリズムを組み合わせることで,学習ループの制約を課す。
実験の結果,本手法は複数領域の植物骨格構造を正確に推定できることがわかった。
論文 参考訳(メタデータ) (2024-11-25T06:43:20Z) - GFT: Graph Foundation Model with Transferable Tree Vocabulary [52.17804507458509]
本稿では,木語彙を伝達可能なグラフファウンデーションモデルとして,GFTと命名されたクロスタスク・クロスドメイングラフ基盤モデルを提案する。
変換可能な語彙内で計算木をトークンとして扱うことにより、GFTはモデルの一般化を改善し、負の転送のリスクを低減する。
理論解析と広範な実験的研究により,グラフ学習におけるGFTの有効性が実証され,様々なタスクや領域にまたがるGFTの有効性が示された。
論文 参考訳(メタデータ) (2024-11-09T05:14:30Z) - G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。
一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。
G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文 参考訳(メタデータ) (2024-02-12T13:13:04Z) - GSINA: Improving Subgraph Extraction for Graph Invariant Learning via
Graph Sinkhorn Attention [52.67633391931959]
グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。
グラフシンクホーン注意機構(GSINA)を提案する。
GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
論文 参考訳(メタデータ) (2024-02-11T12:57:16Z) - TREE-G: Decision Trees Contesting Graph Neural Networks [33.364191419692105]
TREE-Gは、グラフデータに特化した新しい分割関数を導入することで、標準的な決定木を変更する。
グラフニューラルネットワーク(GNN)やグラフカーネル(Graph Kernels)などのグラフ学習アルゴリズムでは,TREE-Gが他のツリーベースモデルより一貫して優れていることが示されています。
論文 参考訳(メタデータ) (2022-07-06T15:53:17Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph
Convolutional Neural Networks [0.6236890292833384]
本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。
BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
論文 参考訳(メタデータ) (2021-12-14T20:58:27Z) - Neural Trees for Learning on Graphs [19.05038106825347]
グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。
我々はニューラルツリーという新しいGNNアーキテクチャを提案する。
神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
論文 参考訳(メタデータ) (2021-05-15T17:08:20Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳(メタデータ) (2020-03-10T02:33:14Z) - Tree++: Truncated Tree Based Graph Kernels [5.819012768798548]
グラフカーネルはグラフをサブ構造に分解し、これらのサブ構造を比較するためにしばしば使用される。
この問題に対処するため,本論文ではTree++と呼ばれる新しいグラフカーネルを提案する。
Tree++は、以前のグラフカーネルと比較して、最高の分類精度を実現している。
論文 参考訳(メタデータ) (2020-02-23T07:07:10Z)
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。