論文の概要: Learning linear non-Gaussian directed acyclic graph with diverging number of nodes

• arxiv url: http://arxiv.org/abs/2111.00740v1
• Date: Mon, 1 Nov 2021 07:34:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 13:59:27.197377
• Title: Learning linear non-Gaussian directed acyclic graph with diverging number of nodes
• Title（参考訳）: ノード数が変動する線形非ガウス有向非巡回グラフの学習
• Authors: Ruixuan Zhao and Xin He and Junhui Wang
• Abstract要約: 有向非巡回グラフ(DAG)として表される非巡回モデルは、収集ノード間の方向因果関係を表現するために広く用いられている。 本研究では,高次元の場合において,連続的な非ガウス分布の雑音が生じるような線形非ガウスDAGを効率よく学習する方法を提案する。
• 参考スコア（独自算出の注目度）: 12.49848873864773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acyclic model, often depicted as a directed acyclic graph (DAG), has been widely employed to represent directional causal relations among collected nodes. In this article, we propose an efficient method to learn linear non-Gaussian DAG in high dimensional cases, where the noises can be of any continuous non-Gaussian distribution. This is in sharp contrast to most existing DAG learning methods assuming Gaussian noise with additional variance assumptions to attain exact DAG recovery. The proposed method leverages a novel concept of topological layer to facilitate the DAG learning. Particularly, we show that the topological layers can be exactly reconstructed in a bottom-up fashion, and the parent-child relations among nodes in each layer can also be consistently established. More importantly, the proposed method does not require the faithfulness or parental faithfulness assumption which has been widely assumed in the literature of DAG learning. Its advantage is also supported by the numerical comparison against some popular competitors in various simulated examples as well as a real application on the global spread of COVID-19.
• Abstract（参考訳）: 有向非巡回グラフ(DAG)として表される非巡回モデルは、収集ノード間の方向因果関係を表現するために広く用いられている。 本稿では,高次元の場合において,連続的な非ガウス分布の雑音が生じるような非線形ガウスDAGを効率よく学習する方法を提案する。 これは、ガウス雑音を仮定する既存のDAG学習法と、正確なDAG回復を達成するための分散仮定を付加している。 提案手法は,DAG学習を促進するためにトポロジカル層の概念を活用する。 特に、トポロジ的層をボトムアップ的に正確に再構成することができ、各層内のノード間の親子関係も一貫して確立できることを示す。 さらに,提案手法はDAG学習の文献で広く想定されている親の忠実さや親の忠実さの仮定を必要としない。 その利点は、さまざまなシミュレーション例で人気のあるライバルたちとの数値比較や、covid-19の世界的な拡散に関する実際の応用によっても支持されている。

関連論文リスト

• Scalable Variational Causal Discovery Unconstrained by Acyclicity [6.954510776782872]
  観測データから得られた因果グラフ上の後部分布を学習するために,スケーラブルなベイズ的手法を提案する。 有効な非巡回因果グラフを生成することができる新しい微分可能なDAGサンプリング手法を提案する。 連続領域上の単純な変分分布を用いて因果グラフ上の後部分布をモデル化することができる。
  論文  参考訳（メタデータ） (2024-07-06T07:56:23Z)
• Convolutional Learning on Directed Acyclic Graphs [10.282099295800322]
  我々は、有向非巡回グラフ(DAG)上で定義されたデータから学習するための新しい畳み込みアーキテクチャを開発する。 我々は,学習可能なDAGフィルタを統合した新しい畳み込みグラフニューラルネットワークを開発し,グラフトポロジによって誘導される部分順序を考慮に入れた。
  論文  参考訳（メタデータ） (2024-05-05T21:30:18Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Learning Discrete Directed Acyclic Graphs via Backpropagation [16.823075878437493]
  近年, バックプロパゲーションによるデータからDAG(Directed Acyclic Graphs)を学習するために, 連続緩和法が提案されている。 離散バックプロパゲーションによるDAG学習フレームワークであるDAG-DBを提案する。
  論文  参考訳（メタデータ） (2022-10-27T12:03:55Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Efficient Learning of Quadratic Variance Function Directed Acyclic Graphs via Topological Layers [18.91995406229772]
  非ガウス的DAGモデルの特別なクラスについて検討し、各ノードの条件分散を条件平均の2次関数とする。 学習を容易にするために,トポロジカル層の概念を導入し,効率的なDAG学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-11-01T07:44:16Z)
• Learning Large DAGs by Combining Continuous Optimization and Feedback Arc Set Heuristics [0.3553493344868413]
  線形構造方程式の場合,DAGを学習するための2つのスケーラブルNPを提案する。 対象関数を最適化するために、制約のない勾配降下に基づくステップを交互に組み合わせてDAGを学習する。 この分離のおかげで、私たちのメソッドは何千もの変数を越えてスケールアップされます。
  論文  参考訳（メタデータ） (2021-07-01T16:10:21Z)
• Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
  本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。 特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
  論文  参考訳（メタデータ） (2020-11-24T02:55:40Z)
• Stein Variational Inference for Discrete Distributions [70.19352762933259]
  離散分布を等価なピースワイズ連続分布に変換する単純な一般フレームワークを提案する。 提案手法は,ギブスサンプリングや不連続ハミルトニアンモンテカルロといった従来のアルゴリズムよりも優れている。 我々は,この手法がバイナライズニューラルネットワーク(BNN)のアンサンブルを学習するための有望なツールであることを実証した。 さらに、そのような変換は、勾配のないカーネル化されたStein差分に簡単に適用でき、離散分布の良性(GoF)テストを実行することができる。
  論文  参考訳（メタデータ） (2020-03-01T22:45:41Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。