論文の概要: uGLAD: Sparse graph recovery by optimizing deep unrolled networks

• arxiv url: http://arxiv.org/abs/2205.11610v1
• Date: Mon, 23 May 2022 20:20:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 12:51:23.939512
• Title: uGLAD: Sparse graph recovery by optimizing deep unrolled networks
• Title（参考訳）: uGLAD:ディープアンロールネットワークの最適化によるスパースグラフのリカバリ
• Authors: Harsh Shrivastava, Urszula Chajewska, Robin Abraham, Xinshi Chen
• Abstract要約: 深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。 我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。 我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。
• 参考スコア（独自算出の注目度）: 11.48281545083889
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Probabilistic Graphical Models (PGMs) are generative models of complex systems. They rely on conditional independence assumptions between variables to learn sparse representations which can be visualized in a form of a graph. Such models are used for domain exploration and structure discovery in poorly understood domains. This work introduces a novel technique to perform sparse graph recovery by optimizing deep unrolled networks. Assuming that the input data $X\in\mathbb{R}^{M\times D}$ comes from an underlying multivariate Gaussian distribution, we apply a deep model on $X$ that outputs the precision matrix $\Theta$, which can also be interpreted as the adjacency matrix. Our model, uGLAD, builds upon and extends the state-of-the-art model GLAD to the unsupervised setting. The key benefits of our model are (1) uGLAD automatically optimizes sparsity-related regularization parameters leading to better performance than existing algorithms. (2) We introduce multi-task learning based `consensus' strategy for robust handling of missing data in an unsupervised setting. We evaluate model results on synthetic Gaussian data, non-Gaussian data generated from Gene Regulatory Networks, and present a case study in anaerobic digestion.
• Abstract（参考訳）: 確率的グラフィカルモデル(Probabilistic Graphical Models、PGM)は、複雑なシステムの生成モデルである。 これらは変数間の条件付き独立性仮定に依存し、グラフの形式で視覚化できるスパース表現を学ぶ。 このようなモデルは、よく理解されていない領域におけるドメイン探索と構造発見に使用される。 本研究は,深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。 入力データ $X\in\mathbb{R}^{M\times D}$ が基礎となる多変量ガウス分布から来ると仮定すると、X$ に深いモデルを適用して精度行列 $\Theta$ を出力する。 我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。 モデルの主な利点は、(1)uGLADは、既存のアルゴリズムよりも優れた性能をもたらすスパーシティ関連正規化パラメータを自動的に最適化する。 2)マルチタスク学習に基づく「合意」戦略を導入し,教師なし環境での欠落データのロバスト処理について検討した。 我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。

関連論文リスト

• 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)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• Scalable Deep Gaussian Markov Random Fields for General Graphs [14.653008985229615]
  本稿では,Deep GMRFの多層構造上に構築された一般グラフに対する柔軟なGMRFモデルを提案する。 ガウス的可能性について、ベイズ予想に近く、潜在体に対しては可算である。 提案モデルの有用性は,多数の合成および実世界のデータセットの実験によって検証される。
  論文  参考訳（メタデータ） (2022-06-10T12:12:41Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• The Deep Generative Decoder: MAP estimation of representations improves modeling of single-cell RNA data [0.0]
  モデルパラメータと表現を直接最大後部推定(MAP)により計算する単純な生成モデルを提案する。 このアプローチの利点は、その単純さと、同等のVAEよりもはるかに小さな次元の表現を提供する能力である。
  論文  参考訳（メタデータ） (2021-10-13T12:17:46Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Bipartite Link Prediction based on Topological Features via 2-hop Path [0.8223798883838329]
  Linear-Graph Autoencoder(LGAE)は,リンク予測やノードクラスタリングといった課題に対して,有望なパフォーマンスを実現している。 本稿では,ノード属性が利用できない場合の分岐リンク予測について考察する。 このアプローチは、12の2分割データセットのうち10の10でGraph AutoencoderとLinear Graph Autoencoderモデルを一貫して上回り、他の2つの2分割データセットで競合的なパフォーマンスに到達します。
  論文  参考訳（メタデータ） (2020-03-19T05:07:54Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。