Fugu-MT 論文翻訳(概要): A Complete Criterion for Value of Information in Soluble Influence Diagrams

論文の概要: A Complete Criterion for Value of Information in Soluble Influence Diagrams

arxiv url: http://arxiv.org/abs/2202.11629v1
Date: Wed, 23 Feb 2022 17:06:41 GMT
ステータス: 処理完了
システム内更新日: 2022-02-24 18:32:32.530283
Title: A Complete Criterion for Value of Information in Soluble Influence Diagrams
Title（参考訳）: 可溶性影響図における情報価値の完全な基準
Authors: Chris van Merwijk, Ryan Carey and Tom Everitt
Abstract要約: 本稿では,複数の決定を伴うインフルエンスダイアグラムにおける情報の価値に関する,最初の完全なグラフィカルな基準を確立する。 ID準同型(ID homomorphisms)は影響図の構造保存変換であり、システムツリーは影響図における情報や制御のフローを捉える経路の集合である。
参考スコア（独自算出の注目度）: 9.765091765083374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Influence diagrams have recently been used to analyse the safety and fairness properties of AI systems. A key building block for this analysis is a graphical criterion for value of information (VoI). This paper establishes the first complete graphical criterion for VoI in influence diagrams with multiple decisions. Along the way, we establish two important techniques for proving properties of multi-decision influence diagrams: ID homomorphisms are structure-preserving transformations of influence diagrams, while a Tree of Systems is collection of paths that captures how information and control can flow in an influence diagram.
Abstract（参考訳）: 影響図は、AIシステムの安全性と公正性を分析するために最近使用されている。この分析の鍵となる構成要素は、情報の価値(VoI)のグラフィカルな基準である。本稿では,VoIの複数の決定を伴う影響図における最初の完全なグラフィカルな基準を確立する。 ID準同型は影響図の構造保存変換であり、システムツリーは影響図における情報や制御のフローを捉える経路の集合である。

関連論文リスト

Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-01-05T09:05:33Z)
ENGAGE: Explanation Guided Data Augmentation for Graph Representation Learning [34.23920789327245]
本稿では,グラフのキー部分を保存するために,コントラスト的な拡張過程を導出するENGAGEを提案する。また、構造情報と特徴情報を摂動するグラフ上に2つのデータ拡張スキームを設計する。
論文参考訳（メタデータ） (2023-07-03T14:33:14Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
On the Surprising Behaviour of node2vec [11.396560798899413]
node2vecに注目し、その埋め込み品質を複数の観点から分析する。その結果, 埋込み品質はパラメータ選択に関して不安定であることが示唆された。私たちは実際にこれに対する戦略を提案します。
論文参考訳（メタデータ） (2022-06-16T15:46:24Z)
Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
論文参考訳（メタデータ） (2021-07-20T22:09:21Z)
Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文参考訳（メタデータ） (2021-03-05T09:03:03Z)
SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism [33.135006052347194]
本稿では,グラフ分類のための階層型サブグラフレベル選択および埋め込み型グラフニューラルネットワーク,すなわちシュガーを提案する。 SUGARは、原グラフの代表的な部分として印象的なサブグラフを抽出し、サブグラフレベルのパターンを明らかにすることにより、スケッチグラフを再構築する。グラフ間の部分グラフ表現を区別するために,自己教師付き相互情報機構を提案する。
論文参考訳（メタデータ） (2021-01-20T15:06:16Z)
Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
論文参考訳（メタデータ） (2020-10-27T15:12:21Z)
Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文参考訳（メタデータ） (2020-10-24T07:13:00Z)
Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。