論文の概要: Semiparametric Bayesian Networks
- arxiv url: http://arxiv.org/abs/2109.03008v1
- Date: Tue, 7 Sep 2021 11:47:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 14:48:29.584062
- Title: Semiparametric Bayesian Networks
- Title(参考訳): 半パラメトリックベイズネットワーク
- Authors: David Atienza, Concha Bielza and Pedro Larra\~naga
- Abstract要約: パラメトリックおよび非パラメトリック条件付き確率分布を組み合わせた半パラメトリックベイズネットワークを提案する。
彼らの目的は、パラメトリックモデルの有界複雑性と非パラメトリックモデルの柔軟性を統合することである。
- 参考スコア(独自算出の注目度): 5.205440005969871
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce semiparametric Bayesian networks that combine parametric and
nonparametric conditional probability distributions. Their aim is to
incorporate the advantages of both components: the bounded complexity of
parametric models and the flexibility of nonparametric ones. We demonstrate
that semiparametric Bayesian networks generalize two well-known types of
Bayesian networks: Gaussian Bayesian networks and kernel density estimation
Bayesian networks. For this purpose, we consider two different conditional
probability distributions required in a semiparametric Bayesian network. In
addition, we present modifications of two well-known algorithms (greedy
hill-climbing and PC) to learn the structure of a semiparametric Bayesian
network from data. To realize this, we employ a score function based on
cross-validation. In addition, using a validation dataset, we apply an
early-stopping criterion to avoid overfitting. To evaluate the applicability of
the proposed algorithm, we conduct an exhaustive experiment on synthetic data
sampled by mixing linear and nonlinear functions, multivariate normal data
sampled from Gaussian Bayesian networks, real data from the UCI repository, and
bearings degradation data. As a result of this experiment, we conclude that the
proposed algorithm accurately learns the combination of parametric and
nonparametric components, while achieving a performance comparable with those
provided by state-of-the-art methods.
- Abstract(参考訳): パラメトリックおよび非パラメトリック条件付き確率分布を組み合わせた半パラメトリックベイズネットワークを提案する。
彼らの目標は、パラメトリックモデルの有界複雑性と非パラメトリックモデルの柔軟性の両方の利点を統合することである。
半パラメトリックベイズネットワークは,gaussian bayesian networkとkernel density estimation bayesian networksの2種類のベイズネットワークを一般化する。
この目的のために、半パラメトリックベイズネットワークに必要な2つの異なる条件付き確率分布を考える。
さらに,よく知られた2つのアルゴリズム (greedy hill-climbing と pc) の修正を行い,データから半パラメトリックベイズネットワークの構造を学ぶ。
これを実現するために,クロスバリデーションに基づくスコア関数を用いる。
さらに、検証データセットを使用して、オーバーフィッティングを避けるために、早期停止基準を適用します。
提案アルゴリズムの適用性を評価するため,線形関数と非線形関数を混合した合成データ,ガウスベイジアンネットワークからサンプリングした正規データ,UCIレポジトリからの実データ,劣化データを用いた総合的な実験を行った。
本実験の結果,提案アルゴリズムはパラメータ成分と非パラメトリック成分の組み合わせを精度良く学習し,最先端手法に匹敵する性能を実現していることがわかった。
関連論文リスト
- Symmetry Discovery for Different Data Types [52.2614860099811]
等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。
本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。
我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
論文 参考訳(メタデータ) (2024-10-13T13:39:39Z) - Network two-sample test for block models [16.597465729143813]
2組のネットワークが同じモデルに由来するかどうかを判定することを目的とするネットワークの2サンプルテスト問題を考える。
ネットワーク分布にブロックモデル(SBM)を適用するのは,その解釈可能性と,より一般的なモデルに近似する可能性からである。
推定されたネットワークパラメータにマッチする効率的なアルゴリズムを導入し、サンプル内およびサンプル間の情報を適切に組み合わせ、コントラスト化することで、強力なテストを実現する。
論文 参考訳(メタデータ) (2024-06-10T04:28:37Z) - Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。
センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
論文 参考訳(メタデータ) (2023-09-05T22:33:02Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳(メタデータ) (2023-05-30T19:16:44Z) - On the Effective Number of Linear Regions in Shallow Univariate ReLU
Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。
我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
論文 参考訳(メタデータ) (2022-05-18T16:57:10Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳(メタデータ) (2020-12-19T02:03:53Z) - A similarity-based Bayesian mixture-of-experts model [0.5156484100374058]
多変量回帰問題に対する新しい非パラメトリック混合実験モデルを提案する。
条件付きモデルを用いて、サンプル外入力の予測は、観測された各データポイントと類似性に基づいて行われる。
混合物のパラメータと距離測定値に基づいて後部推論を行う。
論文 参考訳(メタデータ) (2020-12-03T18:08:30Z) - Distributed Variational Bayesian Algorithms Over Sensor Networks [6.572330981878818]
一般ベイズ推論問題に対する2つの新しい分散VBアルゴリズムを提案する。
提案アルゴリズムは、核融合センターで利用可能な全データに依存する集中型VBアルゴリズムとほぼ同等の性能を有する。
論文 参考訳(メタデータ) (2020-11-27T08:12:18Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳(メタデータ) (2020-03-19T15:36:31Z)
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。