論文の概要: The m-connecting imset and factorization for ADMG models
- arxiv url: http://arxiv.org/abs/2207.08963v1
- Date: Mon, 18 Jul 2022 22:29:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 13:32:41.535917
- Title: The m-connecting imset and factorization for ADMG models
- Title(参考訳): ADMGモデルに対するm-connecting imsetと分解
- Authors: Bryan Andrews, Gregory F. Cooper, Thomas S. Richardson, Peter Spirtes
- Abstract要約: 非巡回有向混合グラフ(ADMG)モデルはDAGモデルのマージンを特徴づける。
ADMGモデルは、その複雑さと分析のための統計ツールの不足のために、広く使われていない。
我々はADMGによって誘導される独立モデルの代替表現を提供するm-connecting imsetを紹介する。
- 参考スコア(独自算出の注目度): 10.839217026568784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Directed acyclic graph (DAG) models have become widely studied and applied in
statistics and machine learning -- indeed, their simplicity facilitates
efficient procedures for learning and inference. Unfortunately, these models
are not closed under marginalization, making them poorly equipped to handle
systems with latent confounding. Acyclic directed mixed graph (ADMG) models
characterize margins of DAG models, making them far better suited to handle
such systems. However, ADMG models have not seen wide-spread use due to their
complexity and a shortage of statistical tools for their analysis. In this
paper, we introduce the m-connecting imset which provides an alternative
representation for the independence models induced by ADMGs. Furthermore, we
define the m-connecting factorization criterion for ADMG models, characterized
by a single equation, and prove its equivalence to the global Markov property.
The m-connecting imset and factorization criterion provide two new statistical
tools for learning and inference with ADMG models. We demonstrate the
usefulness of these tools by formulating and evaluating a consistent scoring
criterion with a closed form solution.
- Abstract(参考訳): 直接非循環グラフ(DAG)モデルは、統計学や機械学習で広く研究され、応用されている。
残念なことに、これらのモデルは限界化の下では閉じていないため、潜伏した欠点のあるシステムを扱うための装備が不十分である。
非巡回有向混合グラフ(ADMG)モデルはDAGモデルのマージンを特徴付け、そのようなシステムを扱うのに非常に適している。
しかし、ADMGモデルは、その複雑さと分析のための統計ツールの不足のために、広く使われていない。
本稿では,ADMGによって誘導される独立モデルの代替表現を提供するm-connecting imsetを紹介する。
さらに、1つの方程式で特徴づけられるADMGモデルに対するm-connecting factorization criterionを定義し、大域マルコフの性質と等価性を証明した。
m-connecting imsetと factorization criterionは、ADMGモデルによる学習と推論のための2つの新しい統計ツールを提供する。
閉形式解を用いて一貫したスコアリング基準を定式化し,評価することにより,これらのツールの有用性を示す。
関連論文リスト
- Ranked from Within: Ranking Large Multimodal Models for Visual Question Answering Without Labels [64.94853276821992]
大規模マルチモーダルモデル(LMM)は、様々なアプリケーションにまたがってますます展開されている。
従来の評価方法は、主にデータセット中心であり、固定されたラベル付きデータセットと教師付きメトリクスに依存している。
ソフトマックス確率などの不確実性信号を利用したLMMの教師なしモデルランキングについて検討する。
論文 参考訳(メタデータ) (2024-12-09T13:05:43Z) - Enhancing Few-Shot Learning with Integrated Data and GAN Model Approaches [35.431340001608476]
本稿では,データ拡張とモデルファインチューニングを融合することで,少数ショット学習を向上するための革新的なアプローチを提案する。
薬物発見、ターゲット認識、悪意のあるトラフィック検出などの分野で、小さなサンプルデータによって引き起こされる課題に対処することを目的としている。
その結果,本研究で開発されたMhERGANアルゴリズムは,数発の学習に極めて有効であることが確認された。
論文 参考訳(メタデータ) (2024-11-25T16:51:11Z) - Graph-based Unsupervised Disentangled Representation Learning via Multimodal Large Language Models [42.17166746027585]
複素データ内の因子化属性とその相互関係を学習するための双方向重み付きグラフベースフレームワークを提案する。
具体的には、グラフの初期ノードとして要素を抽出する$beta$-VAEベースのモジュールを提案する。
これらの相補的加群を統合することで、我々は細粒度、実用性、教師なしの絡み合いをうまく達成できる。
論文 参考訳(メタデータ) (2024-07-26T15:32:21Z) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳(メタデータ) (2024-05-23T05:25:45Z) - Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning [0.0]
ドメイン適応のための因果関係データストリームを自律的に関連付けるための対話型因果関係に基づく自己ラベル手法を提案した。
本稿では,これらの研究課題に対処する自己ラベルフレームワークとその理論的基盤をさらに発展させる。
論文 参考訳(メタデータ) (2024-04-08T18:16:22Z) - Model-Based RL for Mean-Field Games is not Statistically Harder than Single-Agent RL [57.745700271150454]
モデルに基づく関数近似を用いた平均フィールドゲーム(MFG)における強化学習のサンプル複雑性について検討した。
本稿では、モデルクラスの複雑性を特徴付けるためのより効果的な概念である部分モデルベースエルダー次元(P-MBED)を紹介する。
論文 参考訳(メタデータ) (2024-02-08T14:54:47Z) - Incorporating Domain Knowledge in Deep Neural Networks for Discrete
Choice Models [0.5801044612920815]
本稿では,DCMにおけるデータ駆動型アプローチの可能性を拡張するフレームワークを提案する。
これには、必要な関係を表す擬似データサンプルと、その実現度を測定する損失関数が含まれる。
ケーススタディは、このフレームワークの個別選択分析の可能性を示している。
論文 参考訳(メタデータ) (2023-05-30T12:53:55Z) - A Guide for Practical Use of ADMG Causal Data Augmentation [0.0]
これらの課題に対処するためのソリューションとして、因果データ拡張戦略が指摘されている。
異なる設定を考慮したADMG因果拡大法を実験的に検討した。
論文 参考訳(メタデータ) (2023-04-03T09:31:13Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳(メタデータ) (2020-05-08T21:03:48Z)
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。