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
- On the Role of Information Structure in Reinforcement Learning for
Partially-Observable Sequential Teams and Games [65.268245109828]
情報構造の明示的表現は、強化学習問題を解析・解決する重要な要素であると主張する。
これにより、シーケンシャルな意思決定問題のよりリッチな分析が可能となり、より適切なアルゴリズム設計が可能となる。
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) - Knowledge Crosswords: Geometric Reasoning over Structured Knowledge with
Large Language Models [51.35398315130094]
構造的知識に対する幾何学的推論を提案し、そこでは知識の一部がグラフ構造に連結され、モデルは不足した情報を埋める必要がある。
このような幾何学的知識推論は、構造化された知識、不確実性のある推論、事実の検証、エラーが発生した時のバックトラックを扱う能力を必要とする。
本稿では,不完全なエンティティネットワークの幾何学的制約を表す自然言語質問からなるマルチブランクQAデータセットであるKnowledge Crosswordsを提案する。
論文 参考訳(メタデータ) (2023-10-02T15:43:53Z) - 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) - Network Support for High-performance Distributed Machine Learning [17.919773898228716]
学習ノード(計算を行う)と情報ノード(データを提供する)の両方をキャプチャするシステムモデルを提案する。
次に,学習課題を完了させるために,学習ノードと情報ノードが協調して行うべき課題と,実行すべきイテレーション数を選択する問題を定式化する。
我々はDoubleClimbというアルゴリズムを考案し、1+1/|I|競合解を見つけることができる。
論文 参考訳(メタデータ) (2021-02-05T19:38:57Z) - 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)
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。