論文の概要: Gaussian Graphical Model Selection for Huge Data via Minipatch Learning
- arxiv url: http://arxiv.org/abs/2110.12067v1
- Date: Fri, 22 Oct 2021 21:06:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 14:44:57.837670
- Title: Gaussian Graphical Model Selection for Huge Data via Minipatch Learning
- Title（参考訳）: ミニパッチ学習による巨大データのガウス図形モデル選択
- Authors: Tianyi Yao and Minjie Wang and Genevera I. Allen
- Abstract要約: グラフィカルモデル選択の問題を解決するために,MPGraph (Minipatch Graph) 推定器を提案する。
MPGraphは、観測とノードの両方の小さなランダムなサブセットに適合する閾値グラフ推定器の一般化である。
本アルゴリズムは有限サンプルグラフ選択の整合性を実現する。
- 参考スコア（独自算出の注目度）: 1.2891210250935146
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Gaussian graphical models are essential unsupervised learning techniques to
estimate conditional dependence relationships between sets of nodes. While
graphical model selection is a well-studied problem with many popular
techniques, there are typically three key practical challenges: i) many
existing methods become computationally intractable in huge-data settings with
tens of thousands of nodes; ii) the need for separate data-driven tuning
hyperparameter selection procedures considerably adds to the computational
burden; iii) the statistical accuracy of selected edges often deteriorates as
the dimension and/or the complexity of the underlying graph structures
increase. We tackle these problems by proposing the Minipatch Graph (MPGraph)
estimator. Our approach builds upon insights from the latent variable graphical
model problem and utilizes ensembles of thresholded graph estimators fit to
tiny, random subsets of both the observations and the nodes, termed
minipatches. As estimates are fit on small problems, our approach is
computationally fast with integrated stability-based hyperparameter tuning.
Additionally, we prove that under certain conditions our MPGraph algorithm
achieves finite-sample graph selection consistency. We compare our approach to
state-of-the-art computational approaches to Gaussian graphical model selection
including the BigQUIC algorithm, and empirically demonstrate that our approach
is not only more accurate but also extensively faster for huge graph selection
problems.
- Abstract（参考訳）: ガウス図形モデルはノードの集合間の条件依存関係を推定するための教師なし学習手法である。
グラフィカルモデル選択は多くの一般的なテクニックでよく研究されている問題であるが、一般的には3つの重要な課題がある。
一 既存の方法の多くは、数万のノードを持つ巨大なデータ設定で計算に難航する。
二 分離データ駆動チューニングハイパーパラメータ選択手順の必要性は、計算上の負担を大幅に増加させる。
三 グラフ構造の次元及び/又は複雑さが増大するにつれて、選択したエッジの統計的精度が劣化することがしばしばある。
本稿では,MPGraph (Minipatch Graph) 推定器を提案する。
提案手法は,潜在変数のグラフィカルモデル問題から得られた知見に基づいて,観測とノードの両方の小さなランダムな部分集合に適合する閾値付きグラフ推定器のアンサンブルを利用する。
推定は小さな問題に当てはまるため、我々の手法は安定度に基づくハイパーパラメータチューニングの統合で計算的に高速である。
さらに,ある条件下では,MPGraphアルゴリズムは有限サンプルグラフ選択の一貫性を実現する。
我々は、BigQUICアルゴリズムを含むガウスのグラフィカルモデル選択に対する最先端の計算手法に対するアプローチを比較し、我々のアプローチがより正確であるだけでなく、巨大なグラフ選択問題に対して広範囲に高速であることを示す。
関連論文リスト
- Symmetry-preserving graph attention network to solve routing problems at
multiple resolutions [1.9304772860080408]
問題解決のために,最初の完全同変モデルとトレーニングを導入する。
入力グラフのマルチスケール構造を捉えることが不可欠である。
本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
論文 参考訳（メタデータ） (2023-10-24T06:22:20Z) - Large-scale Bayesian Structure Learning for Gaussian Graphical Models using Marginal Pseudo-likelihood [0.26249027950824516]
我々は2つの新しいマルコフ連鎖モンテカルロ探索アルゴリズムを導入する。
これらのアルゴリズムは、1000変数の大規模問題であっても、標準コンピュータ上でわずか数分で信頼性の高い結果を提供できる。
また,ヒトおよびマウスの遺伝子発現研究における中・大規模応用における本手法の有用性について述べる。
論文 参考訳（メタデータ） (2023-06-30T20:37:40Z) - Joint Graph Learning and Model Fitting in Laplacian Regularized
Stratified Models [5.933030735757292]
ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。
本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。
本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
論文 参考訳（メタデータ） (2023-05-04T06:06:29Z) - Semi-Supervised Clustering of Sparse Graphs: Crossing the
Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。
ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。
パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文 参考訳（メタデータ） (2022-05-24T00:03:25Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳（メタデータ） (2021-10-20T14:23:54Z) - T-LoHo: A Bayesian Regularization Model for Structured Sparsity and
Smoothness on Graphs [0.0]
グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。
グラフィカルな関係を持つ高次元パラメータに先立って提案する。
構造された空間と滑らかさを同時に検出するために使用します。
論文 参考訳（メタデータ） (2021-07-06T10:10:03Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z)
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。