Fugu-MT 論文翻訳(概要): Learning Linear Non-Gaussian Polytree Models

論文の概要: Learning Linear Non-Gaussian Polytree Models

arxiv url: http://arxiv.org/abs/2208.06701v1
Date: Sat, 13 Aug 2022 18:20:10 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 13:14:39.897704
Title: Learning Linear Non-Gaussian Polytree Models
Title（参考訳）: 線形非ガウスポリツリーモデルの学習
Authors: Daniele Tramontano, Anthea Monod, Mathias Drton
Abstract要約: ポリツリーであるグラフを効率的に学習するアルゴリズムを提案する。提案手法は,まず無向木構造を学習するChow-Liuアルゴリズムと,エッジを指向する新しいスキームを組み合わせたものである。
参考スコア（独自算出の注目度）: 2.4493299476776778
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the context of graphical causal discovery, we adapt the versatile framework of linear non-Gaussian acyclic models (LiNGAMs) to propose new algorithms to efficiently learn graphs that are polytrees. Our approach combines the Chow--Liu algorithm, which first learns the undirected tree structure, with novel schemes to orient the edges. The orientation schemes assess algebraic relations among moments of the data-generating distribution and are computationally inexpensive. We establish high-dimensional consistency results for our approach and compare different algorithmic versions in numerical experiments.
Abstract（参考訳）: グラフィカル因果探索の文脈では、線形非ガウス非巡回モデル(LiNGAM)の汎用的フレームワークを適用し、ポリツリーであるグラフを効率的に学習する新しいアルゴリズムを提案する。提案手法は,まず無向木構造を学習するChow-Liuアルゴリズムと,エッジを指向する新しいスキームを組み合わせたものである。向き付けスキームはデータ生成分布のモーメント間の代数的関係を評価し、計算的に安価である。我々は,提案手法の高次元整合性を確立し,数値実験で異なるアルゴリズムバージョンを比較した。

関連論文リスト

Improved Graph-based semi-supervised learning Schemes [0.0]
本研究では,ラベルの少ない大規模データセットの分類に対処するため,いくつかの既知のアルゴリズムの精度を向上させる。私たちのフレームワークは、グラフベースの半教師あり学習の領域にあります。
論文参考訳（メタデータ） (2024-06-30T16:50:08Z)
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)
Optimal estimation of Gaussian (poly)trees [25.02920605955238]
分布学習(KL距離)と構造学習(正確な回復)の両問題を考察する。最初のアプローチはChow-Liuアルゴリズムに基づいており、最適な木構造分布を効率的に学習する。第2のアプローチは、制約に基づく構造学習のための条件付き独立試験器として部分相関を用いたポリツリーに対するPCアルゴリズムの修正である。
論文参考訳（メタデータ） (2024-02-09T12:58:36Z)
Learning Linear Gaussian Polytree Models with Interventions [0.0]
線形ガウス多樹の因果構造を学ぶための一貫した高度にスケーラブルな局所的アプローチを提案する。我々の方法はまずポリツリーの骨格を学習し、次にその縁をオリエントする。我々のシミュレーション研究は、我々のアプローチが高速で、構造的ハミング距離の点で精度が良く、何千ものノードで問題に対処できることを示した。
論文参考訳（メタデータ） (2023-11-08T12:29:19Z)
Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
次世代のスケーラブル因果発見手法の設計方法について述べる。本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
論文参考訳（メタデータ） (2022-03-08T21:34:46Z)
Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。モデルのパラメータは期待最大化手順によって反復的に推定される。
論文参考訳（メタデータ） (2021-06-16T18:00:02Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
論文参考訳（メタデータ） (2020-03-30T15:37:50Z)
Optimization of Graph Total Variation via Active-Set-based Combinatorial Reconditioning [48.42916680063503]
本稿では,この問題クラスにおける近位アルゴリズムの適応型事前条件付け手法を提案する。不活性エッジのネスト・フォレスト分解により局所収束速度が保証されることを示す。この結果から,局所収束解析は近似アルゴリズムにおける可変指標選択の指針となることが示唆された。
論文参考訳（メタデータ） (2020-02-27T16:33:09Z)

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。