論文の概要: Structural Learning of Simple Staged Trees

• arxiv url: http://arxiv.org/abs/2203.04390v1
• Date: Tue, 8 Mar 2022 20:50:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 06:40:15.503520
• Title: Structural Learning of Simple Staged Trees
• Title（参考訳）: 単純な段木の構造学習
• Authors: Manuele Leonelli and Gherardo Varando
• Abstract要約: そこで,本研究では,単純な樹木の分類のための構造学習アルゴリズムについて紹介する。 データ学習された単純な木は、しばしばモデル適合性においてベイズネットワークを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 2.3572498744567127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian networks faithfully represent the symmetric conditional independences existing between the components of a random vector. Staged trees are an extension of Bayesian networks for categorical random vectors whose graph represents non-symmetric conditional independences via vertex coloring. However, since they are based on a tree representation of the sample space, the underlying graph becomes cluttered and difficult to visualize as the number of variables increases. Here we introduce the first structural learning algorithms for the class of simple staged trees, entertaining a compact coalescence of the underlying tree from which non-symmetric independences can be easily read. We show that data-learned simple staged trees often outperform Bayesian networks in model fit and illustrate how the coalesced graph is used to identify non-symmetric conditional independences.
• Abstract（参考訳）: ベイズネットワークはランダムベクトルの成分の間に存在する対称条件独立性を忠実に表している。 段階木(staged tree)は、頂点彩色による非対称条件付き独立性を表す圏ランダムベクトルに対するベイズネットワークの拡張である。 しかし、それらはサンプル空間のツリー表現に基づいているため、変数の数が増えるにつれて、基盤となるグラフが散らかって可視化が難しくなる。 ここでは,非対称な独立性を読みやすくする基礎となる木のコンパクトな合体を楽しむ,単純な木群に対する最初の構造学習アルゴリズムを紹介する。 データ主導の単純なステージ木はベイズネットワークをモデルに当てはめ、結合グラフが非対称条件付き独立性を特定するのにどのように使われるかを示す。

関連論文リスト

• Learning Staged Trees from Incomplete Data [1.6327794667678908]
  モデル学習における欠落を処理するステージ木の最初のアルゴリズムについて紹介する。 計算実験では、新しい学習アルゴリズムの性能を示す。
  論文  参考訳（メタデータ） (2024-05-28T16:00:23Z)
• Highly Efficient Structural Learning of Sparse Staged Trees [2.3572498744567127]
  そこで我々は,少数の依存性を課すことができるモデルの空間を探索する,ステージ木のための最初のスケーラブルな構造学習アルゴリズムを提案する。 実世界のアプリケーションと同様にシミュレーション研究は、我々のルーチンと、そのようなデータ学習されたステージツリーの実践的利用を例示している。
  論文  参考訳（メタデータ） (2022-06-14T16:46:13Z)
• Active-LATHE: An Active Learning Algorithm for Boosting the Error Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
  我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。 我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
  論文  参考訳（メタデータ） (2021-10-27T10:45:21Z)
• Staged trees and asymmetry-labeled DAGs [2.66269503676104]
  本稿では,実生木を最小のベイズネットワークで表現し,直感的に条件付き独立性を読み取る方法を提案する。 また,非対称性ラベル付き有向非巡回グラフ (asymmetric-labeled direct acyclic graph) と呼ばれる新しいラベル付きグラフも定義する。
  論文  参考訳（メタデータ） (2021-08-04T12:20:47Z)
• Learning compositional structures for semantic graph parsing [81.41592892863979]
  本稿では、AM依存性解析をニューラル潜在変数モデルで直接トレーニングする方法を示す。 本モデルでは,いくつかの言語現象を独自に把握し,教師あり学習に匹敵する精度を達成している。
  論文  参考訳（メタデータ） (2021-06-08T14:20:07Z)
• Spectral Top-Down Recovery of Latent Tree Models [13.681975313065477]
  スペクトルトップダウン・リカバリ (STDR) は、大きな潜在木モデルを推定するための分割・コンカレントアプローチである。 STDRの分割ステップは非ランダムです。 代わりに、観測されたノードに関連する適切なラプラシア行列のFiedlerベクトルに基づいている。 私達はSTDRが統計的に一貫性があることを証明し、高い確率で木を正確に回復するために必要なサンプルの数を縛ります。
  論文  参考訳（メタデータ） (2021-02-26T02:47:42Z)
• Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
  本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
  論文  参考訳（メタデータ） (2021-02-11T08:48:48Z)
• SGA: A Robust Algorithm for Partial Recovery of Tree-Structured Graphical Models with Noisy Samples [75.32013242448151]
  ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。 Katiyarら。 (2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。 統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T01:57:35Z)
• Predicting What You Already Know Helps: Provable Self-Supervised Learning [60.27658820909876]
  自己教師付き表現学習は、ラベル付きデータを必要としない補助的な予測タスク(プリテキストタスクと呼ばれる)を解決する。 本研究では,特定のエミュレーションに基づくプレテキストタスク間の統計的関係を利用して,優れた表現を学習することを保証する機構を示す。 複素基底真理関数クラスにおいても線形層は近似誤差が小さいことを証明した。
  論文  参考訳（メタデータ） (2020-08-03T17:56:13Z)
• Constructing a Chain Event Graph from a Staged Tree [0.0]
  Chain Event Graphs (CEG) は確率的グラフィカルモデルの最近のファミリである。 任意の木をCEG表現に自動的に変換する一般アルゴリズムはまだ開発されていない。 段落木をCEGに変換すると、情報が失われることはないことを示す。
  論文  参考訳（メタデータ） (2020-06-29T08:07:06Z)
• Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
  我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。 具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
  論文  参考訳（メタデータ） (2020-03-23T03:34:25Z)

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。