論文の概要: Neural Graphical Models
- arxiv url: http://arxiv.org/abs/2210.00453v1
- Date: Sun, 2 Oct 2022 07:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 13:49:07.399151
- Title: Neural Graphical Models
- Title（参考訳）: ニューラルグラフモデル
- Authors: Harsh Shrivastava, Urszula Chajewska
- Abstract要約: この研究は、複雑な機能依存を合理的な計算コストで表現しようとするニューラルネットワークグラフィカルモデル(NGM)を導入している。
我々は,NGMのための効率的な学習,推論,サンプリングアルゴリズムを提供する。
我々は,NGMがガウスモデルを表現する能力を示す実証的研究を行い,肺がんデータのグラフィカル推論分析を行い,CDCが提供した実世界の乳幼児死亡データから知見を抽出した。
- 参考スコア（独自算出の注目度）: 2.692919446383274
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Graphs are ubiquitous and are often used to understand the dynamics of a
system. Probabilistic Graphical Models comprising Bayesian and Markov networks,
and Conditional Independence graphs are some of the popular graph
representation techniques. They can model relationships between features
(nodes) together with the underlying distribution. Although theoretically these
models can represent very complex dependency functions, in practice often
simplifying assumptions are made due to computational limitations associated
with graph operations. This work introduces Neural Graphical Models (NGMs)
which attempt to represent complex feature dependencies with reasonable
computational costs. Specifically, given a graph of feature relationships and
corresponding samples, we capture the dependency structure between the features
along with their complex function representations by using neural networks as a
multi-task learning framework. We provide efficient learning, inference and
sampling algorithms for NGMs. Moreover, NGMs can fit generic graph structures
including directed, undirected and mixed-edge graphs as well as support mixed
input data types. We present empirical studies that show NGMs' capability to
represent Gaussian graphical models, inference analysis of a lung cancer data
and extract insights from a real world infant mortality data provided by CDC.
- Abstract（参考訳）: グラフはユビキタスであり、システムのダイナミクスを理解するためによく使われる。
ベイジアンとマルコフのネットワークと条件付き独立グラフからなる確率的グラフモデルは、人気のあるグラフ表現技法の1つである。
機能(ノード)と基盤となるディストリビューションの関係をモデル化することができる。
理論的にはこれらのモデルは、非常に複雑な依存関数を表現できるが、実際にはグラフ演算に関連する計算上の制限により、仮定を単純化することが多い。
この研究は、複雑な機能依存を合理的な計算コストで表現しようとするニューラルネットワークグラフィカルモデル(NGM)を導入している。
具体的には、特徴関係と対応するサンプルのグラフから、ニューラルネットワークをマルチタスク学習フレームワークとして使用することにより、特徴間の依存関係構造とそれらの複雑な関数表現をキャプチャする。
NGMのための効率的な学習、推論、サンプリングアルゴリズムを提供する。
さらに、NGMは、有向グラフ、無向グラフ、混合エッジグラフを含む一般的なグラフ構造を適合させることができる。
我々は,NGMがガウス図形モデルを表現し,肺がんデータの推測分析を行い,CDCが提供した実世界の乳幼児死亡データから知見を抽出する能力を示す実証的研究を行った。
関連論文リスト
- Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。
グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。
我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
論文 参考訳（メタデータ） (2024-11-09T19:10:33Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳（メタデータ） (2022-11-26T22:13:06Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳（メタデータ） (2021-09-26T07:19:47Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z) - Causal Inference with Deep Causal Graphs [0.0]
パラメトリック因果モデリング技術は、カウンターファクト推定の機能を提供することはめったにない。
Deep Causal Graphsは、因果分布をモデル化するニューラルネットワークに必要な機能の抽象的な仕様である。
複雑な相互作用をモデル化する上で,その表現力を示し,機械学習の説明可能性と公正性を示す。
論文 参考訳（メタデータ） (2020-06-15T13:03:33Z)
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。