論文の概要: Global sensitivity analysis in probabilistic graphical models
- arxiv url: http://arxiv.org/abs/2110.03749v1
- Date: Thu, 7 Oct 2021 19:06:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 08:21:56.077038
- Title: Global sensitivity analysis in probabilistic graphical models
- Title（参考訳）: 確率的グラフィカルモデルにおける大域的感度解析
- Authors: Rafael Ballester-Ripoll, Manuele Leonelli
- Abstract要約: ベイズネットワークで表現される関心の量に対するノードの証拠の集合による影響を測定するために,Sobolのグローバル感度解析法を適用する方法を示す。
提案手法は,ソボル指数推定の問題を限界化推定に変換するために,ネットワーク構造を利用する。
- 参考スコア（独自算出の注目度）: 6.9293120224934075
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We show how to apply Sobol's method of global sensitivity analysis to measure
the influence exerted by a set of nodes' evidence on a quantity of interest
expressed by a Bayesian network. Our method exploits the network structure so
as to transform the problem of Sobol index estimation into that of
marginalization inference. This way, we can efficiently compute indices for
networks where brute-force or Monte Carlo based estimators for variance-based
sensitivity analysis would require millions of costly samples. Moreover, our
method gives exact results when exact inference is used, and also supports the
case of correlated inputs. The proposed algorithm is inspired by the field of
tensor networks, and generalizes earlier tensor sensitivity techniques from the
acyclic to the cyclic case. We demonstrate the method on three medium to large
Bayesian networks that cover the areas of project risk management and
reliability engineering.
- Abstract（参考訳）: ベイズネットワークによって表現される関心の量に対するノードの証拠の集合が与える影響を測定するために,Sobolのグローバル感度解析法を適用する方法を示す。
提案手法は,ソボル指数推定の問題を限界化推定に変換するために,ネットワーク構造を利用する。
これにより、分散に基づく感度分析のためにブルートフォースやモンテカルロベースの推定器が必要となるネットワークのインデックスを効率的に計算することができる。
さらに,本手法は,正確な推論を行う際に正確な結果を与えるとともに,相関入力の場合もサポートする。
提案アルゴリズムはテンソルネットワークの分野にインスパイアされ,非循環型から巡回型までの初期テンソル感度の手法を一般化する。
本手法は,プロジェクトリスク管理と信頼性工学の領域をカバーする3つの媒体から大規模ベイズネットワーク上で実証する。
関連論文リスト
- Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。
提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。
提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
論文 参考訳（メタデータ） (2024-08-23T15:02:09Z) - An Analytic Solution to Covariance Propagation in Neural Networks [10.013553984400488]
本稿では,ニューラルネットワークの入出力分布を正確に特徴付けるために,サンプルフリーモーメント伝搬法を提案する。
この手法の鍵となる有効性は、非線形活性化関数を通した確率変数の共分散に対する解析解である。
学習ニューラルネットワークの入力出力分布を分析し,ベイズニューラルネットワークを訓練する実験において,提案手法の適用性およびメリットを示す。
論文 参考訳（メタデータ） (2024-03-24T14:08:24Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。
複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。
提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
論文 参考訳（メタデータ） (2023-10-10T14:06:56Z) - A Domain-Theoretic Framework for Robustness Analysis of Neural Networks [2.425920001184443]
本稿では,ニューラルネットワークのロバスト性評価のためのドメイン理論フレームワークを提案する。
フィードフォワード回帰器のリプシッツ定数推定のための検証アルゴリズムを開発した。
我々のドメインモデルでは、微分可能ネットワークと非微分可能ネットワークを均一に分析することができる。
論文 参考訳（メタデータ） (2022-03-01T09:01:01Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-09T17:46:22Z) - A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。
本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。
2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
論文 参考訳（メタデータ） (2021-05-09T21:33:27Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - A generalizable saliency map-based interpretation of model outcome [1.14219428942199]
そこで本研究では,モデルの入力と出力を用いてサリエンシマップを生成する非侵襲的解釈可能性手法を提案する。
実験の結果,本手法は入力の正解部分を89%の精度で再現可能であることがわかった。
論文 参考訳（メタデータ） (2020-06-16T20:34:42Z) - Tractable Approximate Gaussian Inference for Bayesian Neural Networks [1.933681537640272]
本稿では,ベイズニューラルネットワークにおける抽出可能な近似ガウス推定(TAGI)を実現するための解析手法を提案する。
この手法はパラメータ数$n$に対して$mathcalO(n)$の計算複雑性を持ち、回帰および分類ベンチマークで実施されたテストは、同じネットワークアーキテクチャにおいて、勾配のバックプロパゲーションに依存する既存のメソッドのパフォーマンスと一致することを確認している。
論文 参考訳（メタデータ） (2020-04-20T13:37:08Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z)
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。