論文の概要: Learning Bayesian Networks in the Presence of Structural Side Information

• arxiv url: http://arxiv.org/abs/2112.10884v1
• Date: Mon, 20 Dec 2021 22:14:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:53:48.848470
• Title: Learning Bayesian Networks in the Presence of Structural Side Information
• Title（参考訳）: 構造的側面情報の存在下でベイズネットワークを学習する
• Authors: Ehsan Mokhtarian, Sina Akbari, Fateme Jamshidi, Jalal Etesami, Negar Kiyavash
• Abstract要約: 本研究では,システムに関する構造的側面情報が得られる場合に,変数の集合のベイズネットワーク(BN)を学習する問題について検討する。 そこで我々は,そのような知識を学習プロセスに効率的に組み込むアルゴリズムを開発した。 我々の研究の結果、木幅の有界BNは複雑に学習できることが示されている。
• 参考スコア（独自算出の注目度）: 22.734574764075226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of learning a Bayesian network (BN) of a set of variables when structural side information about the system is available. It is well known that learning the structure of a general BN is both computationally and statistically challenging. However, often in many applications, side information about the underlying structure can potentially reduce the learning complexity. In this paper, we develop a recursive constraint-based algorithm that efficiently incorporates such knowledge (i.e., side information) into the learning process. In particular, we study two types of structural side information about the underlying BN: (I) an upper bound on its clique number is known, or (II) it is diamond-free. We provide theoretical guarantees for the learning algorithms, including the worst-case number of tests required in each scenario. As a consequence of our work, we show that bounded treewidth BNs can be learned with polynomial complexity. Furthermore, we evaluate the performance and the scalability of our algorithms in both synthetic and real-world structures and show that they outperform the state-of-the-art structure learning algorithms.
• Abstract（参考訳）: 本研究では,システムに関する構造的側面情報が得られる場合の変数集合のベイズネットワーク(bn)学習の問題について検討する。 一般BNの構造を学ぶことは、計算的にも統計的にも難しいことはよく知られている。 しかし、多くのアプリケーションでは、基盤となる構造に関する情報が学習の複雑さを減少させる可能性がある。 本稿では,そのような知識(側面情報)を学習プロセスに効率的に組み込む再帰的制約に基づくアルゴリズムを開発する。 特に, 基礎となるBNに関する2種類の構造側情報について検討する: (I) 傾斜数上界が知られているか, (II) ダイヤモンドフリーである。 各シナリオで必要となるテストの最悪の数を含む,学習アルゴリズムの理論的保証を提供する。 我々の研究の結果、有界木幅BNは多項式複雑性で学習できることが示されている。 さらに, 合成・実世界の両方の構造におけるアルゴリズムの性能とスケーラビリティを評価し, 最先端構造学習アルゴリズムよりも優れていることを示す。

関連論文リスト

• Learning Representations for Reasoning: Generalizing Across Diverse Structures [5.031093893882575]
  我々は、知識とクエリ構造をまたいだアルゴリズムを考案し、推論モデルの境界を推し進めることを目指している。 図書館は構造化データを第一級市民として扱い,構造化データのアルゴリズム開発における障壁を取り除く。
  論文  参考訳（メタデータ） (2024-10-16T20:23:37Z)
• On the Role of Information Structure in Reinforcement Learning for Partially-Observable Sequential Teams and Games [55.2480439325792]
  逐次的意思決定問題において、情報構造とは、異なる時点に発生するシステム内の事象が相互にどのように影響するかを記述するものである。 対照的に、現実のシーケンシャルな意思決定問題は通常、システム変数の複雑で時間的な相互依存を伴う。 情報構造を明示する新しい強化学習モデルを定式化する。
  論文  参考訳（メタデータ） (2024-03-01T21:28:19Z)
• Causal discovery using dynamically requested knowledge [7.904709685523615]
  Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。 本研究では,構造学習アルゴリズム自体が,アルゴリズムが不確実であると認識する関係について,知識を動的に識別し,要求する新たなアプローチについて検討する。 構造的精度は,既存の知識統合手法よりも大幅に向上した。
  論文  参考訳（メタデータ） (2023-10-17T11:21:23Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• Learning the Finer Things: Bayesian Structure Learning at the Instantiation Level [0.0]
  成功した機械学習手法は記憶と一般化の間のトレードオフを必要とする。 本稿では,探索的領域で学習し,一般化し,説明できる新しい確率的グラフィカルモデル構造学習手法を提案する。
  論文  参考訳（メタデータ） (2023-03-08T02:31:49Z)
• A survey of Bayesian Network structure learning [8.411014222942168]
  本稿では,データからBN構造を学習するための61のアルゴリズムについてレビューする。 各アルゴリズムの基本的アプローチは一貫性のある言葉で説明され、それらの類似点と相違点が強調された。 実世界のデータセットでのデータノイズに対処し、学習プロセスに専門家の知識を取り入れるためのアプローチについても紹介する。
  論文  参考訳（メタデータ） (2021-09-23T14:54:00Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• 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)
• A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks [70.88503833248159]
  連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。 我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
  論文  参考訳（メタデータ） (2020-07-07T07:34:09Z)
• Provably Efficient Exploration for Reinforcement Learning Using Unsupervised Learning [96.78504087416654]
  強化学習(RL)問題における効率的な探索に教師なし学習を用い,本パラダイムが有効であるかどうかを考察する。 本稿では,教師なし学習アルゴリズムと非線形表RLアルゴリズムという,2つのコンポーネント上に構築された汎用的なアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:23:59Z)
• A Theory of Usable Information Under Computational Constraints [103.5901638681034]
  本稿では,複雑なシステムにおける情報推論のための新しいフレームワークを提案する。 我々の基礎はシャノンの情報理論の変分拡張に基づいている。 計算制約を組み込むことで,データから$mathcalV$-informationを確実に推定できることを示す。
  論文  参考訳（メタデータ） (2020-02-25T06:09:30Z)

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。