Fugu-MT 論文翻訳(概要): Gaussian mixture model on nodes of Bayesian network given maximal parental cliques

論文の概要: Gaussian mixture model on nodes of Bayesian network given maximal parental cliques

arxiv url: http://arxiv.org/abs/2204.09532v1
Date: Wed, 20 Apr 2022 15:14:01 GMT
ステータス: 処理完了
システム内更新日: 2022-04-21 13:47:23.697092
Title: Gaussian mixture model on nodes of Bayesian network given maximal parental cliques
Title（参考訳）: 最大親鎖が与えられたベイズネットワークのノード上のガウス混合モデル
Authors: Yiran Dong Chuanhou Gao
Abstract要約: ネットワークでガウス混合モデルを使う理由と方法を説明する。そこで本研究では,混合モデルの最適化のための2重反復アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper uses Gaussian mixture model instead of linear Gaussian model to fit the distribution of every node in Bayesian network. We will explain why and how we use Gaussian mixture models in Bayesian network. Meanwhile we propose a new method, called double iteration algorithm, to optimize the mixture model, the double iteration algorithm combines the expectation maximization algorithm and gradient descent algorithm, and it performs perfectly on the Bayesian network with mixture models. In experiments we test the Gaussian mixture model and the optimization algorithm on different graphs which is generated by different structure learning algorithm on real data sets, and give the details of every experiment.
Abstract（参考訳）: 本稿では,線形ガウスモデルの代わりにガウス混合モデルを用いてベイズネットワークの各ノードの分布に適合する。ベイジアンネットワークにおけるガウス混合モデルの使用方法と理由を説明する。一方,混合モデルを最適化する2重反復アルゴリズムという新しい手法を提案するが,この2重反復アルゴリズムは期待最大化アルゴリズムと勾配降下アルゴリズムを組み合わせたもので,ベイズネットワークと混合モデルで完全に動作する。実験では、ガウス混合モデルと最適化アルゴリズムを、実データ集合上で異なる構造学習アルゴリズムによって生成される異なるグラフ上でテストし、各実験の詳細を与える。

関連論文リスト

Learning general Gaussian mixtures with efficient score matching [16.06356123715737]
我々は、$d$次元で$k$ガウシアンの混合を学習する問題を研究する。我々は、下層の混合成分について分離を前提としない。我々は、ターゲット混合物から$dmathrmpoly(k/varepsilon)$サンプルを抽出し、サンプル-ポリノミカル時間で実行し、サンプリング器を構築するアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-04-29T17:30:36Z)
Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-03-11T06:34:05Z)
Universal Lower Bounds and Optimal Rates: Achieving Minimax Clustering Error in Sub-Exponential Mixture Models [8.097200145973389]
まず、混合モデルのクラスタリングにおける誤差率の普遍的な下限を確立する。次に、この下界をサブ指数尾を持つ混合モデルで再現的アルゴリズムが達成できることを実証する。ポアソンまたは負二項混合によりモデル化されたデータセットについて,指数族に属する混合モデルについて検討した。このような混合では、ブロッグマンの発散を利用したロイドのアルゴリズムの変種であるブロッグマンのハードクラスタリングが最適であることを示す。
論文参考訳（メタデータ） (2024-02-23T16:51:17Z)
An Efficient 1 Iteration Learning Algorithm for Gaussian Mixture Model And Gaussian Mixture Embedding For Neural Network [2.261786383673667]
新しいアルゴリズムは、古典的な期待最大化(EM)アルゴリズムよりも頑丈さと単純さをもたらす。また、精度も向上し、学習に1回しかかからない。
論文参考訳（メタデータ） (2023-08-18T10:17:59Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文参考訳（メタデータ） (2020-11-18T16:40:45Z)
Disentangling the Gauss-Newton Method and Approximate Inference for Neural Networks [96.87076679064499]
我々は一般化されたガウスニュートンを解き、ベイズ深層学習の近似推論を行う。ガウス・ニュートン法は基礎となる確率モデルを大幅に単純化する。ガウス過程への接続は、新しい関数空間推論アルゴリズムを可能にする。
論文参考訳（メタデータ） (2020-07-21T17:42:58Z)
Overcomplete order-3 tensor decomposition, blind deconvolution and Gaussian mixture models [1.7970523486905976]
我々は,ジェンリッヒのアルゴリズムに基づくテンソル分解の新しいアルゴリズムを提案し,新しいアルゴリズムのアイデアをブラインドデコンボリューションとガウス混合モデルに適用する。我々の最初の貢献は、ある対称超完全位数-3テンソルを分解する単純かつ効率的なアルゴリズムであり、すなわち、$a_i$s が線型独立でないような $T = sum_i=1n a_i otimes a_i otimes a_i$ という形の3次元配列である。第2の貢献は、テンソル分解アルゴリズムの上に構築され、ファミリーを拡大する。
論文参考訳（メタデータ） (2020-07-16T06:23:37Z)
Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文参考訳（メタデータ） (2020-03-04T08:15:06Z)
Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文参考訳（メタデータ） (2020-02-20T10:50:58Z)
A Bayesian Filtering Algorithm for Gaussian Mixture Models [0.0]
状態空間系のクラスはガウス混合を通じてモデル化することができる。このフィルタリング問題の正確な解法は、混合項の数が指数関数的に増加することである。統一アルゴリズムの平方根実装について述べる。
論文参考訳（メタデータ） (2017-05-16T01:05:16Z)

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。