論文の概要: Generalization bounds for learning under graph-dependence: A survey
- arxiv url: http://arxiv.org/abs/2203.13534v1
- Date: Fri, 25 Mar 2022 09:33:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 12:15:35.500952
- Title: Generalization bounds for learning under graph-dependence: A survey
- Title(参考訳): グラフ依存学習のための一般化境界:調査
- Authors: Rui-Ray Zhang, Massih-Reza Amini
- Abstract要約: 実例が依存し,その依存関係がグラフによって特徴づけられる学習環境を考える。
グラフ依存濃度境界を収集し、グラフ依存データから学習するためにラデマッハおよび安定性一般化境界を導出する。
- 参考スコア(独自算出の注目度): 8.807587076209566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional statistical learning theory relies on the assumption that data
are identically and independently generated from a given distribution (i.i.d.).
The independently distributed assumption, on the other hand, fails to hold in
many real applications. In this survey, we consider learning settings in which
examples are dependent and their dependence relationship can be characterized
by a graph. We collect various graph-dependent concentration bounds, which are
then used to derive Rademacher and stability generalization bounds for learning
from graph-dependent data. We illustrate this paradigm with three learning
tasks and provide some research directions for future work. To the best of our
knowledge, this is the first survey on this subject.
- Abstract(参考訳): 伝統的な統計的学習理論は、データが与えられた分布(d)から同一かつ独立に生成されるという仮定に依存している。
一方、独立に分散された仮定は、多くの実アプリケーションにおいて成り立たない。
本研究では,実例が依存する学習環境と,その依存関係がグラフによって特徴づけられることを考察する。
様々なグラフ依存濃度境界を収集し、グラフ依存データから学習するためのラデマッハおよび安定性一般化境界を導出する。
このパラダイムを3つの学習タスクで説明し,今後の作業に向けた研究の方向性を示す。
私たちの知る限りでは、この問題に関する最初の調査である。
関連論文リスト
- Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse
Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。
本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。
学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文 参考訳(メタデータ) (2024-01-10T02:38:21Z) - A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and
Future Directions [64.84521350148513]
グラフは、現実世界の無数に存在する相互接続構造を表す。
グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。
しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。
これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
論文 参考訳(メタデータ) (2023-08-26T09:11:44Z) - Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。
これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。
独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-16T13:32:43Z) - A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。
本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
論文 参考訳(メタデータ) (2023-07-11T18:12:05Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳(メタデータ) (2023-06-07T21:35:26Z) - Methods for Recovering Conditional Independence Graphs: A Survey [2.692919446383274]
条件付き独立グラフ(CIグラフ)は、機能関係に関する洞察を得るために使用される。
異なる手法をリストアップし、CIグラフを復元する手法の進歩について研究する。
論文 参考訳(メタデータ) (2022-11-13T06:11:38Z) - Out-Of-Distribution Generalization on Graphs: A Survey [45.16337435648981]
グラフ機械学習は学術と産業の両方で広く研究されている。
ほとんどの文献はI.I.D.仮説に基づいて構築されている。
この問題を解決するために、グラフのアウト・オブ・ディストリビューション(OOD)一般化は大きな進歩を遂げ、研究コミュニティから注目を集めている。
本論文は,OODのグラフへの一般化の体系的および包括的レビューとして,我々の知識を最大限に活用した最初のものである。
論文 参考訳(メタデータ) (2022-02-16T10:59:06Z) - Adaptive Data Analysis with Correlated Observations [21.969356766737622]
いくつかのケースでは、サンプル内に依存関係がある場合でも、差分プライバシーが保証されることが示されています。
転写圧縮と適応データ解析の関連性は,非ID設定にまで拡張可能であることを示す。
論文 参考訳(メタデータ) (2022-01-21T14:00:30Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z) - On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。
本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。
また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文 参考訳(メタデータ) (2020-06-14T12:47:34Z) - Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。
このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
論文 参考訳(メタデータ) (2020-04-28T00:53:01Z)
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。