論文の概要: SOLBP: Second-Order Loopy Belief Propagation for Inference in Uncertain Bayesian Networks

• arxiv url: http://arxiv.org/abs/2208.07368v1
• Date: Tue, 16 Aug 2022 07:44:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 12:02:12.561953
• Title: SOLBP: Second-Order Loopy Belief Propagation for Inference in Uncertain Bayesian Networks
• Title（参考訳）: solbp:不確定ベイズネットワークにおける推定のための二階ループ型信念伝播
• Authors: Conrad D. Hougen, Lance M. Kaplan, Magdalena Ivanovska, Federico Cerutti, Kumar Vijay Mishra and Alfred O. Hero III
• Abstract要約: 2階不確実ベイズネットワークでは、条件付き確率は分布の中でのみ知られている。 差分法を拡張して、一階推定法を拡張して、和積ネットワークを通じて手段と分散を伝播する。 2階ベイズネットワークでは、SOLBPは和積ネットワークによって生成されるものと一致した推論を生成する。
• 参考スコア（独自算出の注目度）: 37.082891486070565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In second-order uncertain Bayesian networks, the conditional probabilities are only known within distributions, i.e., probabilities over probabilities. The delta-method has been applied to extend exact first-order inference methods to propagate both means and variances through sum-product networks derived from Bayesian networks, thereby characterizing epistemic uncertainty, or the uncertainty in the model itself. Alternatively, second-order belief propagation has been demonstrated for polytrees but not for general directed acyclic graph structures. In this work, we extend Loopy Belief Propagation to the setting of second-order Bayesian networks, giving rise to Second-Order Loopy Belief Propagation (SOLBP). For second-order Bayesian networks, SOLBP generates inferences consistent with those generated by sum-product networks, while being more computationally efficient and scalable.
• Abstract（参考訳）: 2階の不確定ベイズネットワークでは、条件付き確率は分布、すなわち確率よりも確率でしか知られていない。 delta-method は、ベイズネットワークから派生した和生成ネットワークを通じて平均と分散の両方を伝播させ、認識的不確実性やモデル自体の不確かさを特徴付けるための正確な一階推定法である。 あるいは、二階信頼伝播は多木に対して証明されているが、一般有向非巡回グラフ構造に対しては証明されていない。 本研究ではループ的信念伝播を2次ベイズネットワークの設定に拡張し、2次ループ的信念伝播(solbp)を発生させる。 2階ベイズネットワークでは、SOLBPはより計算効率が高くスケーラブルでありながら、和積ネットワークによって生成されるものと一致した推論を生成する。

関連論文リスト

• A Note on Bayesian Networks with Latent Root Variables [56.86503578982023]
  残りの, 証明, 変数に対する限界分布もまたベイズ的ネットワークとして分解され, 経験的と呼ぶ。 マニフェスト変数の観測のデータセットにより、経験的ベイズネットのパラメータを定量化することができる。
  論文  参考訳（メタデータ） (2024-02-26T23:53:34Z)
• Backward and Forward Inference in Interacting Independent-Cascade Processes: A Scalable and Convergent Message-Passing Approach [1.1470070927586018]
  本研究では,ネットワーク上に並列に分散する2つの拡散過程の過去と将来の進化を推定する問題について検討する。 ネットワークの初期状態と観測ショット$mathcalO_n$の正確な結合確率を導出する。
  論文  参考訳（メタデータ） (2023-10-29T20:03:38Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• On the Foundations of Cycles in Bayesian Networks [4.312746668772342]
  本稿では,サイクルフリー設定を包括的かつ保守的に拡張したサイクリックBNのセマンティクスに関する基礎的研究を行う。 まず, BN上の完全関節分布の要件を局所的条件付き確率と独立性に整合させる制約に基づく意味論を提案する。 第二に、無限展開アプローチを形式化する2種類の極限意味論を導入し、マルコフ連鎖の構成によって計算可能であることを示した。
  論文  参考訳（メタデータ） (2023-01-20T14:40:17Z)
• Continuous and Distribution-free Probabilistic Wind Power Forecasting: A Conditional Normalizing Flow Approach [1.684864188596015]
  条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。 既存の手法とは対照的に、このアプローチは(非パラメトリックおよび量子的アプローチのように)分布自由であり、連続確率密度を直接生成することができる。
  論文  参考訳（メタデータ） (2022-06-06T08:48:58Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• 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)
• Recursive Bayesian Networks: Generalising and Unifying Probabilistic Context-Free Grammars and Dynamic Bayesian Networks [0.0]
  確率的文脈自由文法 (PCFGs) と動的ベイズネットワーク (DBNs) は相補的な強みと制約を持つシーケンスモデルとして広く使われている。 本稿では,PCFGとDBNを一般化・統合するRecursive Bayesian Networks(RBNs)について述べる。
  論文  参考訳（メタデータ） (2021-11-02T19:21:15Z)
• Unsupervised tree boosting for learning probability distributions [2.8444868155827634]
  加法木アンサンブルの適合に基づく 教師なしツリーブースティングアルゴリズム アルゴリズムへの積分は「残留化」という新しい概念であり、すなわち、観測から確率分布を減じて、後者のサンプリング分布から分布構造を除去する。
  論文  参考訳（メタデータ） (2021-01-26T21:03:27Z)

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。