論文の概要: BigBraveBN: algorithm of structural learning for bayesian networks with
a large number of nodes
- arxiv url: http://arxiv.org/abs/2208.10312v1
- Date: Mon, 22 Aug 2022 13:43:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 12:36:54.266774
- Title: BigBraveBN: algorithm of structural learning for bayesian networks with
a large number of nodes
- Title（参考訳）: BigBraveBN: 多数のノードを持つベイズネットワークのための構造学習アルゴリズム
- Authors: Yury Kaminsky, Irina Deeva
- Abstract要約: 本稿では,多数のノード(100以上)を持つ大規模ベイズネットワークを学習するためのBigBraveBNアルゴリズムを提案する。
このアルゴリズムは、複数のグループのインスタンスの相互発生を測定するブレーブ係数を利用する。
記事では、BigBraveBNの性能を、離散的かつ連続的な複数のデータセット上の既存のソリューションと比較する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning a Bayesian network is an NP-hard problem and with an increase in the
number of nodes, classical algorithms for learning the structure of Bayesian
networks become inefficient. In recent years, some methods and algorithms for
learning Bayesian networks with a high number of nodes (more than 50) were
developed. But these solutions have their disadvantages, for instance, they
only operate one type of data (discrete or continuous) or their algorithm has
been created to meet a specific nature of data (medical, social, etc.). The
article presents a BigBraveBN algorithm for learning large Bayesian Networks
with a high number of nodes (over 100). The algorithm utilizes the Brave
coefficient that measures the mutual occurrence of instances in several groups.
To form these groups, we use the method of nearest neighbours based on the
Mutual information (MI) measure. In the experimental part of the article, we
compare the performance of BigBraveBN to other existing solutions on multiple
data sets both discrete and continuous. The experimental part also represents
tests on real data. The aforementioned experimental results demonstrate the
efficiency of the BigBraveBN algorithm in structure learning of Bayesian
Networks.
- Abstract（参考訳）: ベイジアンネットワークの学習はNPハード問題であり、ノード数の増加に伴い、ベイジアンネットワークの構造を学ぶための古典的アルゴリズムは非効率になる。
近年,ノード数の多いベイズネットワーク(50以上のノード)を学習するための手法やアルゴリズムが開発されている。
しかし、これらのソリューションには欠点があり、例えば、1種類のデータ(離散的または連続的)しか操作しないし、そのアルゴリズムは特定のデータの性質(医学的、社会的など)を満たすように作られている。
本稿では,多数のノード(100以上)を持つ大規模ベイズネットワークを学習するためのBigBraveBNアルゴリズムを提案する。
このアルゴリズムは、複数のグループのインスタンスの相互発生を測定するブレーブ係数を利用する。
これらのグループを形成するために、相互情報(mi)尺度に基づく近接近傍の手法を用いる。
論文の実験的部分では、bigbravebnのパフォーマンスと、離散と連続の両方の複数のデータセット上の既存のソリューションを比較します。
実験部は実データに関するテストも表している。
以上の実験結果はベイジアンネットワークの構造学習におけるBigBraveBNアルゴリズムの有効性を示す。
関連論文リスト
- Communication-Efficient Decentralized Federated Learning via One-Bit
Compressive Sensing [52.402550431781805]
分散連合学習(DFL)は、様々なアプリケーションにまたがる実用性によって人気を博している。
集中型バージョンと比較して、DFLの多数のノード間で共有モデルをトレーニングするのはより難しい。
我々は,iADM (iexact alternating direction method) の枠組みに基づく新しいアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-08-31T12:22:40Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳（メタデータ） (2023-03-17T02:01:11Z) - Scalable Batch Acquisition for Deep Bayesian Active Learning [70.68403899432198]
ディープラーニングでは、各ステップでマークアップする複数の例を選択することが重要です。
BatchBALDのような既存のソリューションでは、多くの例を選択する際に大きな制限がある。
本稿では,より計算効率のよいLarge BatchBALDアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-13T11:45:17Z) - A Comprehensively Improved Hybrid Algorithm for Learning Bayesian
Networks: Multiple Compound Memory Erasing [0.0]
本稿では、新しいハイブリッドアルゴリズムMCME(multiple compound memory erasing)を提案する。
MCMEは、最初の2つの手法の利点を維持し、上記のCIテストの欠点を解消し、方向判別段階におけるスコアリング機能に革新をもたらす。
多くの実験により、MCMEは既存のアルゴリズムよりも優れた、あるいは類似した性能を示している。
論文 参考訳（メタデータ） (2022-12-05T12:52:07Z) - Reconstructing Bayesian Networks on a Quantum Annealer [0.0]
O'Gormanらは、このタスクを符号化するアルゴリズムを提案しているが、実験的な評価は提供していない。
i) O'GormanのアルゴリズムをPythonで実装し,(ii)大小のBNSL問題に対処するDeput et imperaアプローチを提案する。
その結果、小サイズのBNSLインスタンスに対するO'Gormanの定式化の有効性と、O'Gormanのアルゴリズムの直接実行におけるDeput et imperaアプローチの優位性を示した。
論文 参考訳（メタデータ） (2022-04-07T15:53:05Z) - Hybrid Bayesian network discovery with latent variables by scoring
multiple interventions [5.994412766684843]
離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。
このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。
実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
論文 参考訳（メタデータ） (2021-12-20T14:54:41Z) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - A Sparse Structure Learning Algorithm for Bayesian Network
Identification from Discrete High-Dimensional Data [0.40611352512781856]
本稿では,高次元離散データから疎構造ベイズネットワークを学習する問題に対処する。
本稿では,空間特性とDAG特性を同時に満足するスコア関数を提案する。
具体的には,アルゴリズムを高次元データで効率的に動作させるため,最適化アルゴリズムに分散低減法を用いる。
論文 参考訳（メタデータ） (2021-08-21T12:21:01Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-12-23T09:33:11Z) - Hard and Soft EM in Bayesian Network Learning from Incomplete Data [1.5484595752241122]
結果のBNの品質に対する信念伝搬の代わりにインプテーションを使用することの影響について検討する。
我々は,データの特徴に基づいて,複数のシナリオにおいて,あるアプローチを推奨できることを見出した。
論文 参考訳（メタデータ） (2020-12-09T19:13:32Z) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z)
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。
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。