論文の概要: NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and Parameters

• arxiv url: http://arxiv.org/abs/2111.01104v1
• Date: Mon, 1 Nov 2021 17:17:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 12:57:42.610817
• Title: NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and Parameters
• Title（参考訳）: NOTMAD: サンプル特異構造とパラメータによるベイズネットワークの推定
• Authors: Ben Lengerich, Caleb Ellington, Bryon Aragam, Eric P. Xing, Manolis Kellis
• Abstract要約: 提案するNOTMADは,サンプルコンテキストに応じてアーキティパルネットワークの混合を学習する。 患者固有の遺伝子発現ネットワークを含む分析および実験を通じて,NOTMADとサンプル特異的ネットワーク推論の有用性を実証する。
• 参考スコア（独自算出の注目度）: 70.55488722439239
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Context-specific Bayesian networks (i.e. directed acyclic graphs, DAGs) identify context-dependent relationships between variables, but the non-convexity induced by the acyclicity requirement makes it difficult to share information between context-specific estimators (e.g. with graph generator functions). For this reason, existing methods for inferring context-specific Bayesian networks have favored breaking datasets into subsamples, limiting statistical power and resolution, and preventing the use of multidimensional and latent contexts. To overcome this challenge, we propose NOTEARS-optimized Mixtures of Archetypal DAGs (NOTMAD). NOTMAD models context-specific Bayesian networks as the output of a function which learns to mix archetypal networks according to sample context. The archetypal networks are estimated jointly with the context-specific networks and do not require any prior knowledge. We encode the acyclicity constraint as a smooth regularization loss which is back-propagated to the mixing function; in this way, NOTMAD shares information between context-specific acyclic graphs, enabling the estimation of Bayesian network structures and parameters at even single-sample resolution. We demonstrate the utility of NOTMAD and sample-specific network inference through analysis and experiments, including patient-specific gene expression networks which correspond to morphological variation in cancer.
• Abstract（参考訳）: 文脈固有のベイズネットワーク(即ち有向非巡回グラフ、dag)は変数間の文脈依存関係を識別するが、非巡回性要求によって引き起こされる非凸性は、文脈固有の推定子(例えばグラフ生成関数)間での情報共有を困難にする。 このため、コンテキスト固有のベイズネットワークを推定する既存の手法では、データセットをサブサンプルに分割し、統計的パワーと解像度を制限し、多次元および潜在コンテキストの使用を防止している。 この課題を克服するために,NOTEARSを最適化したアーチティパルDAG(NOTMAD)を提案する。 NOTMADは、コンテキスト固有のベイジアンネットワークを、サンプルコンテキストに応じてアーキティパルネットワークを混合することを学ぶ関数の出力としてモデル化する。 原型的ネットワークは、文脈固有のネットワークと共同で推定され、事前の知識は不要である。 我々は、この非巡回性制約を混合関数に逆伝播する滑らかな正規化損失としてエンコードし、この方法でNOTMADはコンテキスト固有の非巡回グラフ間で情報を共有し、ベイズ的ネットワーク構造とパラメータを単一サンプル解像度で推定することができる。 がんの形態的変異に対応する患者特異的遺伝子発現ネットワークを含む分析および実験を通じて,notmadおよびサンプル特異的ネットワーク推論の有用性を実証する。

関連論文リスト

• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• 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)
• SIReN-VAE: Leveraging Flows and Amortized Inference for Bayesian Networks [2.8597160727750564]
  この研究はベイジアンネットワークによって定義された任意の依存構造をVAEに組み込むことを検討する。 これは、事前と推論のネットワークをグラフィカルな残留フローで拡張することで実現される。 モデルの性能をいくつかの合成データセットで比較し、データスパース設定におけるその可能性を示す。
  論文  参考訳（メタデータ） (2022-04-23T10:31:08Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Latent Network Embedding via Adversarial Auto-encoders [15.656374849760734]
  本稿では,逆グラフ自動エンコーダに基づく潜在ネットワーク埋め込みモデルを提案する。 この枠組みの下では、潜伏構造を発見する問題は、部分的な観測から潜伏関係を推測するものとして定式化されている。
  論文  参考訳（メタデータ） (2021-09-30T16:49:46Z)
• Semiparametric Bayesian Networks [5.205440005969871]
  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。
  論文  参考訳（メタデータ） (2021-09-07T11:47:32Z)
• Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
  本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。 このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
  論文  参考訳（メタデータ） (2020-07-28T17:13:59Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)
• Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
  本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。 未知の置換と基数を持つ集合を予測するための新しい手法を提案する。 関連視覚問題に対する集合定式化の有効性を実証する。
  論文  参考訳（メタデータ） (2020-01-30T01:52:07Z)

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。