Fugu-MT 論文翻訳(概要): Inference of Multiscale Gaussian Graphical Model

論文の概要: Inference of Multiscale Gaussian Graphical Model

arxiv url: http://arxiv.org/abs/2202.05775v1
Date: Fri, 11 Feb 2022 17:11:20 GMT
ステータス: 処理完了
システム内更新日: 2022-02-14 17:43:15.402321
Title: Inference of Multiscale Gaussian Graphical Model
Title（参考訳）: マルチスケールガウス図形モデルの推論
Authors: Do Edmond Sanou, Christophe Ambroise and Genevi\`eve Robin
Abstract要約: 階層的なクラスタリング構造と階層のそれぞれのレベルでの独立性構造を記述するグラフを同時に推論する新しい手法を提案する。実データと合成データの結果が提示される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Gaussian Graphical Models (GGMs) are widely used for exploratory data analysis in various fields such as genomics, ecology, psychometry. In a high-dimensional setting, when the number of variables exceeds the number of observations by several orders of magnitude, the estimation of GGM is a difficult and unstable optimization problem. Clustering of variables or variable selection is often performed prior to GGM estimation. We propose a new method allowing to simultaneously infer a hierarchical clustering structure and the graphs describing the structure of independence at each level of the hierarchy. This method is based on solving a convex optimization problem combining a graphical lasso penalty with a fused type lasso penalty. Results on real and synthetic data are presented.
Abstract（参考訳）: ガウス図形モデル(GGM)は、ゲノム学、生態学、心理学など様々な分野における探索的データ分析に広く用いられている。高次元設定では、変数の数が数桁の観測数を超えた場合、GGMの推定は困難で不安定な最適化問題である。変数のクラスタリングや変数の選択は、しばしばGGM推定の前に行われる。階層的なクラスタリング構造と階層のそれぞれのレベルでの独立性構造を記述するグラフを同時に推論する新しい手法を提案する。本手法は,グラフラッソペナルティと融合型ラッソペナルティを組み合わせた凸最適化問題の解法に基づく。実データおよび合成データの結果を示す。

関連論文リスト

Clusterpath Gaussian Graphical Modeling [0.0]
本稿では,Gaussian Graphical Model (CGGM) のクラスタパス推定器を紹介する。循環ブロック座標降下アルゴリズムを用いて,計算効率の良いCGGM推定器の実装を提案する。シミュレーションでは、CGGMが一致しただけでなく、しばしばグラフィカルモデルにおける変数クラスタリングにおける他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-06-30T10:11:18Z)
Learning High-Dimensional Differential Graphs From Multi-Attribute Data [12.94486861344922]
類似構造を持つことが知られている2つのガウス図形モデル(GGM)の違いを推定する問題を考える。差分グラフ推定の既存の方法は単一属性(SA)モデルに基づいている。本稿では,多属性データから差分グラフ学習のためのグループラッソペナル化Dトレース損失関数手法を解析する。
論文参考訳（メタデータ） (2023-12-05T18:54:46Z)
High-Dimensional Undirected Graphical Models for Arbitrary Mixed Data [2.2871867623460207]
多くのアプリケーションでは、データは異なるタイプの変数にまたがる。最近の進歩は、バイナリ連続ケースにどのように取り組めるかを示しているが、一般的な混合変数型構造は依然として困難である。完全混合型の変数を持つデータに対して,フレキシブルでスケーラブルな手法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:21:31Z)
Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文参考訳（メタデータ） (2021-10-12T02:21:30Z)
T-LoHo: A Bayesian Regularization Model for Structured Sparsity and Smoothness on Graphs [0.0]
グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。グラフィカルな関係を持つ高次元パラメータに先立って提案する。構造された空間と滑らかさを同時に検出するために使用します。
論文参考訳（メタデータ） (2021-07-06T10:10:03Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文参考訳（メタデータ） (2020-10-29T09:58:02Z)
Generalized Matrix Factorization: efficient algorithms for fitting generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。 GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文参考訳（メタデータ） (2020-10-06T04:28:19Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。