論文の概要: Feature Selection for Efficient Local-to-Global Bayesian Network Structure Learning

• arxiv url: http://arxiv.org/abs/2112.10369v1
• Date: Mon, 20 Dec 2021 07:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-12-21 17:34:15.179403
• Title: Feature Selection for Efficient Local-to-Global Bayesian Network Structure Learning
• Title（参考訳）: 局所-グローバルベイズネットワーク構造学習のための特徴選択
• Authors: Kui Yu, Zhaolong Ling, Lin Liu, Hao Wang, Jiuyong Li
• Abstract要約: 本稿では,F2SL(Feature selection-based structure learning)による局所-グローバルBN構造学習手法を提案する。 F2SL法はまずMRMR法を用いてDAG骨格を学習し、その後、骨格の縁を向き付けている。 最先端のローカル-グローバル BN 学習アルゴリズムと比較して、提案アルゴリズムはより効率的で、競合する構造学習の質を提供することを示した。
• 参考スコア（独自算出の注目度）: 18.736822756439437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local-to-global learning approach plays an essential role in Bayesian network (BN) structure learning. Existing local-to-global learning algorithms first construct the skeleton of a DAG (directed acyclic graph) by learning the MB (Markov blanket) or PC (parents and children) of each variable in a data set, then orient edges in the skeleton. However, existing MB or PC learning methods are often computationally expensive especially with a large-sized BN, resulting in inefficient local-to-global learning algorithms. To tackle the problem, in this paper, we develop an efficient local-to-global learning approach using feature selection. Specifically, we first analyze the rationale of the well-known Minimum-Redundancy and Maximum-Relevance (MRMR) feature selection approach for learning a PC set of a variable. Based on the analysis, we propose an efficient F2SL (feature selection-based structure learning) approach to local-to-global BN structure learning. The F2SL approach first employs the MRMR approach to learn a DAG skeleton, then orients edges in the skeleton. Employing independence tests or score functions for orienting edges, we instantiate the F2SL approach into two new algorithms, F2SL-c (using independence tests) and F2SL-s (using score functions). Compared to the state-of-the-art local-to-global BN learning algorithms, the experiments validated that the proposed algorithms in this paper are more efficient and provide competitive structure learning quality than the compared algorithms.
• Abstract（参考訳）: 局所言語学習アプローチはベイズネットワーク(BN)構造学習において重要な役割を果たす。 既存の局所言語学習アルゴリズムは、まず、データセット内の各変数のMB(マルコフ毛布)またはPC(親子)を学習し、次にスケルトン内のオリエントエッジを学習することにより、DAG (directed acyclic graph) の骨格を構築する。 しかし、既存のMBまたはPC学習手法は、特に大きなBNで計算コストがかかることが多く、非効率なローカル-グローバル学習アルゴリズムをもたらす。 この問題に取り組むため,本稿では,機能選択を用いた効率的な地域間学習手法を提案する。 具体的には,変数のPC集合を学習するためのMRMR(Minimum-Redundancy and Maximum-Relevance)特徴選択手法の理論的根拠をまず分析する。 そこで本研究では,F2SL(Feature selection-based structure learning)を用いたローカル-グローバルBN構造学習手法を提案する。 F2SL法はまずMRMR法を用いてDAG骨格を学習し、次に骨格の縁を向き付けている。 F2SLアプローチを2つの新しいアルゴリズムF2SL-c(独立テスト)とF2SL-s(スコア関数)にインスタンス化する。 提案手法は,最先端のローカル-グローバル BN 学習アルゴリズムと比較して,提案アルゴリズムの方が効率的で,比較アルゴリズムよりも優れた構造学習品質が得られることを示した。

関連論文リスト

• RLBayes: a Bayesian Network Structure Learning Algorithm via Reinforcement Learning-Based Search Strategy [6.048200126394996]
  結果: RLBayes はグローバルな BN 構造に収束できるが,RLBayes が他のほとんどの探索アルゴリズムよりも優れた効果を持つことを示す実験的に証明されている。
  論文  参考訳（メタデータ） (2025-04-07T15:11:51Z)
• A Structural-Clustering Based Active Learning for Graph Neural Networks [16.85038790429607]
  グラフ構造化データに特化して設計された能動学習(SPA)の改善のための構造クラスタリングページランク法を提案する。 SPAは,SCANアルゴリズムを用いたコミュニティ検出とPageRankスコアリング手法を統合し,効率的かつ有益なサンプル選択を行う。
  論文  参考訳（メタデータ） (2023-12-07T14:04:38Z)
• Better Together: Using Multi-task Learning to Improve Feature Selection within Structural Datasets [0.0]
  本稿では,マルチタスク学習(MTL)を用いて構造データセットの自動特徴選択を行う。 分類作業は、同じモデルの2機からサンプルを採取するために、尾翼のポートと右翼の側面を区別することである。 MTLの結果は解釈可能であり、実験的なセットアップの違いとは対照的に構造的差異が強調された。
  論文  参考訳（メタデータ） (2023-03-08T10:19:55Z)
• Tightly Coupled Learning Strategy for Weakly Supervised Hierarchical Place Recognition [0.09558392439655011]
  本稿では,三重項モデルを学習するための密結合学習(TCL)戦略を提案する。 グローバルデクリプタとローカルデクリプタを組み合わせて、共同最適化を行う。 我々の軽量統一モデルは、いくつかの最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2022-02-14T03:20:39Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Any Part of Bayesian Network Structure Learning [17.46459748913491]
  ベイズネットワーク(BN)構造の一部を学習し、興味深く挑戦的な問題を研究する。 まず,局所bn構造学習手法が偽エッジ方向問題を持つ理由を説明するために,拡張バックトラックという新しい概念を提案する。 そこで我々は,効率的かつ正確なBN構造学習アルゴリズムAPSLを提案する。
  論文  参考訳（メタデータ） (2021-03-23T10:03:31Z)
• BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
  協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。 さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
  論文  参考訳（メタデータ） (2021-03-10T14:59:23Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)
• Reinforcement Learning for Variable Selection in a Branch and Bound Algorithm [0.10499611180329801]
  現実世界のインスタンスのパターンを活用して、与えられた問題に最適化された新しいブランチ戦略をスクラッチから学習します。 本稿では,この課題に特化して設計された新しい強化学習手法であるFMSTSを提案する。
  論文  参考訳（メタデータ） (2020-05-20T13:15:48Z)

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。