論文の概要: Using Mixed-Effect Models to Learn Bayesian Networks from Related Data Sets

• arxiv url: http://arxiv.org/abs/2206.03743v1
• Date: Wed, 8 Jun 2022 08:32:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 13:18:52.344032
• Title: Using Mixed-Effect Models to Learn Bayesian Networks from Related Data Sets
• Title（参考訳）: 混合効果モデルを用いて関連するデータセットからベイズネットワークを学ぶ
• Authors: Marco Scutari, Christopher Marquis, Laura Azzimonti
• Abstract要約: 混合効果モデルを用いて連続データからベイズネットワークを学習するための類似解を提供する。 本研究では,その構造,パラメトリック,予測,分類の精度について検討する。 この改善は、低いサンプルサイズとバランスの取れないデータセットに特徴付けられる。
• 参考スコア（独自算出の注目度）: 0.04297070083645048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We commonly assume that data are a homogeneous set of observations when learning the structure of Bayesian networks. However, they often comprise different data sets that are related but not homogeneous because they have been collected in different ways or from different populations. In our previous work (Azzimonti, Corani and Scutari, 2021), we proposed a closed-form Bayesian Hierarchical Dirichlet score for discrete data that pools information across related data sets to learn a single encompassing network structure, while taking into account the differences in their probabilistic structures. In this paper, we provide an analogous solution for learning a Bayesian network from continuous data using mixed-effects models to pool information across the related data sets. We study its structural, parametric, predictive and classification accuracy and we show that it outperforms both conditional Gaussian Bayesian networks (that do not perform any pooling) and classical Gaussian Bayesian networks (that disregard the heterogeneous nature of the data). The improvement is marked for low sample sizes and for unbalanced data sets.
• Abstract（参考訳）: 一般に、データはベイズネットワークの構造を学ぶ際の均質な観測の集合であると仮定する。 しかし、それらはしばしば異なる方法で収集されたり、異なる集団から収集されたりするため、関連性はあるが同種ではない異なるデータセットから構成される。 前回の論文(Azzimonti, Corani and Scutari, 2021)では、確率構造の違いを考慮しつつ、関連するデータセットにまたがって情報をプールし、単一のネットワーク構造を学習する離散データのための閉形式ベイズ的階層ディリクレスコアを提案した。 本稿では,混合効果モデルを用いて連続データからベイズネットワークを学習し,関連するデータセット間で情報をプールする類似ソリューションを提案する。 我々は,その構造的,パラメトリックな,予測的,分類的精度について検討し,条件付きガウスベイズネットワーク(プール処理を行わない)と古典的なガウスベイズネットワーク(データの不均一性を無視した)の両方よりも優れていることを示した。 この改善は、低いサンプルサイズと不均衡データセットで特徴付けられる。

関連論文リスト

• Context-Specific Refinements of Bayesian Network Classifiers [1.9136291802656262]
  分類器の新しいクラスとベイズネットワークの関係について検討する。 モデルにデータ駆動学習ルーチンを導入し実装する。 この研究は、非対称情報を埋め込んだモデルが分類精度を高めることを実証している。
  論文  参考訳（メタデータ） (2024-05-28T15:50:50Z)
• Neural network reconstruction of cosmology using the Pantheon compilation [0.0]
  相関データを含む様々なデータセットを用いてハッブル図を再構成する。 独立した不確実性を持つデータセットのために構築されたReFANNを使用して、非ガサスデータポイントを含むように拡張する。
  論文  参考訳（メタデータ） (2023-05-24T18:42:21Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• How to Combine Variational Bayesian Networks in Federated Learning [0.0]
  フェデレートラーニングにより、複数のデータセンターが機密データを公開することなく、協力的に中央モデルをトレーニングできる。 決定論的モデルは高い予測精度を達成することができ、キャリブレーションの欠如と不確実性を定量化する能力は、安全クリティカルなアプリケーションには問題となる。 変分ベイズニューラルネットワークに対する様々なアグリゲーションスキームの効果について検討する。
  論文  参考訳（メタデータ） (2022-06-22T07:53:12Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and Parameters [70.55488722439239]
  提案するNOTMADは,サンプルコンテキストに応じてアーキティパルネットワークの混合を学習する。 患者固有の遺伝子発現ネットワークを含む分析および実験を通じて,NOTMADとサンプル特異的ネットワーク推論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-11-01T17:17:34Z)
• Semiparametric Bayesian Networks [5.205440005969871]
  パラメトリックおよび非パラメトリック条件付き確率分布を組み合わせた半パラメトリックベイズネットワークを提案する。 彼らの目的は、パラメトリックモデルの有界複雑性と非パラメトリックモデルの柔軟性を統合することである。
  論文  参考訳（メタデータ） (2021-09-07T11:47:32Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• Deep Archimedean Copulas [98.96141706464425]
  ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。 我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
  論文  参考訳（メタデータ） (2020-12-05T22:58:37Z)
• A Bayesian Hierarchical Score for Structure Learning from Related Data Sets [0.7240563090941907]
  ベイジアン階層ディリクレ(Bayesian Hierarchical Dirichlet, BHD)と呼ばれる新しいベイジアンディリクレスコアを提案する。 BHDは階層的なモデルに基づいており、データセットにまたがって情報をプールし、ネットワーク構造を包含する単一の学習を行う。 BHDは, 構造ハンミング距離によって測定された復元精度において, ベイズディリクレ等価値(BDeu)スコアよりも優れていた。
  論文  参考訳（メタデータ） (2020-08-04T16:41:05Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。