論文の概要: Beyond Conjugacy for Chain Event Graph Model Selection
- arxiv url: http://arxiv.org/abs/2211.03427v1
- Date: Mon, 7 Nov 2022 10:33:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 18:14:04.910827
- Title: Beyond Conjugacy for Chain Event Graph Model Selection
- Title（参考訳）: チェーンイベントグラフモデル選択の超越性
- Authors: Aditi Shenvi, Silvia Liverani
- Abstract要約: 連鎖イベントグラフはベイズネットワークを一般化する確率的グラフィカルモデルのファミリーである。
共役性に依存しない連鎖イベントグラフにおけるモデル選択に対する混合モデリング手法を提案する。
- 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: Chain event graphs are a family of probabilistic graphical models that
generalise Bayesian networks and have been successfully applied to a wide range
of domains. Unlike Bayesian networks, these models can encode context-specific
conditional independencies as well as asymmetric developments within the
evolution of a process. More recently, new model classes belonging to the chain
event graph family have been developed for modelling time-to-event data to
study the temporal dynamics of a process. However, existing model selection
algorithms for chain event graphs and its variants rely on all parameters
having conjugate priors. This is unrealistic for many real-world applications.
In this paper, we propose a mixture modelling approach to model selection in
chain event graphs that does not rely on conjugacy. Moreover, we also show that
this methodology is more amenable to being robustly scaled than the existing
model selection algorithms used for this family. We demonstrate our techniques
on simulated datasets.
- Abstract（参考訳）: 連鎖イベントグラフはベイジアンネットワークを一般化する確率的グラフィカルモデルの一群であり、幅広い領域にうまく適用されている。
ベイズネットワークとは異なり、これらのモデルは、プロセスの進化における非対称な発展と同様に、文脈固有の条件付き非依存を符号化することができる。
近年,連鎖イベントグラフファミリーに属する新しいモデルクラスが開発され,時間からイベントまでのデータをモデル化し,プロセスの時間的ダイナミクスを研究する。
しかし、チェーンイベントグラフとその変種に対する既存のモデル選択アルゴリズムは共役事前を持つすべてのパラメータに依存している。
多くの実世界のアプリケーションでは非現実的です。
本稿では,共役性に依存しない連鎖イベントグラフにおけるモデル選択のための混合モデリング手法を提案する。
また,本手法は,既存のモデル選択アルゴリズムよりも頑健に拡張可能であることを示す。
本手法をシミュレーションデータセットで実証する。
関連論文リスト
- Hierarchical Blockmodelling for Knowledge Graphs [0.5530212768657544]
知識グラフ上の階層的なエンティティクラスタリングのためにブロックモデルを使用します。
Nested Chinese Restaurant ProcessとStick Breaking Processを生成モデルに統合することで、階層的なクラスタリングの誘導が可能になる。
我々は、合成および実世界のデータセット上でモデルを評価し、ベンチマークモデルと定量的に比較した。
論文 参考訳（メタデータ） (2024-08-28T09:04:15Z) - IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。
本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
論文 参考訳（メタデータ） (2024-08-23T16:24:40Z) - Heterogeneous Graph Learning for Acoustic Event Classification [22.526665796655205]
オーディオヴィジュアルデータのためのグラフは手作業で作成され、これは困難で準最適である。
クロスモーダルエッジを学習する新しいモデルであるヘテロジニアスグラフクロスモーダルネットワーク(HGCN)を開発した。
提案モデルではパラメトリックな構成により,様々な空間的・時間的スケールに対応でき,学習可能なクロスモーダルエッジは関連ノードを効果的に接続することができる。
論文 参考訳（メタデータ） (2023-03-05T13:06:53Z) - Creating generalizable downstream graph models with random projections [22.690120515637854]
本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。
遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。
結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
論文 参考訳（メタデータ） (2023-02-17T14:27:00Z) - 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) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - A Study of Joint Graph Inference and Forecasting [13.340967777671565]
多変量時系列の予測を改善するためにグラフニューラルネットワーク(GNN)を用いた最近のモデルのクラスについて検討する。
グラフを微分可能な方法でパラメータ化することで、モデルは予測品質を改善することを目指している。
論文 参考訳（メタデータ） (2021-09-10T16:34:35Z) - T-LoHo: A Bayesian Regularization Model for Structured Sparsity and
Smoothness on Graphs [0.0]
グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。
グラフィカルな関係を持つ高次元パラメータに先立って提案する。
構造された空間と滑らかさを同時に検出するために使用します。
論文 参考訳（メタデータ） (2021-07-06T10:10:03Z) - Hawkes Processes on Graphons [85.6759041284472]
我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。
対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。
生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
論文 参考訳（メタデータ） (2021-02-04T17:09:50Z) - Permutation Invariant Graph Generation via Score-Based Generative
Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。
特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。
グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文 参考訳（メタデータ） (2020-03-02T03:06:14Z)
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。