論文の概要: Robust Model Selection of Non Tree-Structured Gaussian Graphical Models
- arxiv url: http://arxiv.org/abs/2211.05690v1
- Date: Thu, 10 Nov 2022 16:50:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 14:45:54.858792
- Title: Robust Model Selection of Non Tree-Structured Gaussian Graphical Models
- Title(参考訳): 非木構造ガウス図形モデルのロバストモデル選択
- Authors: Abrar Zahin, Rajasekhar Anguluri, Oliver Kosut, Lalitha Sankar, Gautam
Dasarathy
- Abstract要約: 本稿では,変数(あるいはその部分集合)が独立雑音によって破損した場合に,ガウス図形モデルに基づく構造を学習する問題を考察する。
我々は、(避けられない)木の同値類までの構造を識別するアルゴリズムを考案した。
木構造グラフと同様に、あいまいさは同値類に限られていることを示す。
- 参考スコア(独自算出の注目度): 15.657881698666188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of learning the structure underlying a Gaussian
graphical model when the variables (or subsets thereof) are corrupted by
independent noise. A recent line of work establishes that even for
tree-structured graphical models, only partial structure recovery is possible
and goes on to devise algorithms to identify the structure up to an
(unavoidable) equivalence class of trees. We extend these results beyond trees
and consider the model selection problem under noise for non tree-structured
graphs, as tree graphs cannot model several real-world scenarios. Although
unidentifiable, we show that, like the tree-structured graphs, the ambiguity is
limited to an equivalence class. This limited ambiguity can help provide
meaningful clustering information (even with noise), which is helpful in
computer and social networks, protein-protein interaction networks, and power
networks. Furthermore, we devise an algorithm based on a novel ancestral
testing method for recovering the equivalence class. We complement these
results with finite sample guarantees for the algorithm in the high-dimensional
regime.
- Abstract(参考訳): 変数(またはその部分集合)が独立雑音によって破損した場合、ガウス図形モデルに基づく構造を学習する問題を考察する。
最近の研究の行は、木構造グラフィカルモデルであっても部分的な構造回復が可能であることを証明し、(避けられない)同値クラスまで構造を識別するアルゴリズムを考案している。
木グラフは複数の実世界のシナリオをモデル化できないため,木構造グラフのノイズ下でのモデル選択問題を考える。
同定不能であるが、木構造グラフと同様に、曖昧性は同値類に限定されている。
この制限された曖昧さは、コンピュータとソーシャルネットワーク、タンパク質とタンパク質の相互作用ネットワーク、そして電力ネットワークにおいて有用な有意義なクラスタリング情報を提供するのに役立つ。
さらに,同値クラスを復元するための新しい祖先検定法に基づくアルゴリズムを考案する。
これらの結果を高次元状態におけるアルゴリズムの有限サンプル保証で補完する。
関連論文リスト
- Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。
クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。
このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文 参考訳(メタデータ) (2023-05-24T11:05:12Z) - SE-GSL: A General and Effective Graph Structure Learning Framework
through Structural Entropy Optimization [67.28453445927825]
グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。
既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。
本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
論文 参考訳(メタデータ) (2023-03-17T05:20:24Z) - 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) - Active-LATHE: An Active Learning Algorithm for Boosting the Error
Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。
我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
論文 参考訳(メタデータ) (2021-10-27T10:45:21Z) - Robust estimation of tree structured models [0.0]
ノイズの多い二分データから、可能な木の小さな等価クラスまで、木を復元できることが示される。
また、Chow-Liuアルゴリズムがノイズデータから根本木を継続的に学習する際の特徴付けも提供する。
論文 参考訳(メタデータ) (2021-02-10T14:58:40Z) - SGA: A Robust Algorithm for Partial Recovery of Tree-Structured
Graphical Models with Noisy Samples [75.32013242448151]
ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。
Katiyarら。
(2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。
統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
論文 参考訳(メタデータ) (2021-01-22T01:57:35Z) - Sample-Optimal and Efficient Learning of Tree Ising models [24.201827888085944]
最適な$O(n ln n/epsilon2)$サンプルから,$n$-variable tree-structured Isingモデルが全変動距離$epsilon$の範囲内で計算効率良く学習可能であることを示す。
我々の保証は、Chow-Liuアルゴリズムの既知の結果に従わない。
論文 参考訳(メタデータ) (2020-10-28T10:17:48Z) - 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) - Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。
このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
論文 参考訳(メタデータ) (2020-06-23T21:10:55Z) - Robust Estimation of Tree Structured Ising Models [20.224160348675422]
我々は、異なる確率変数の符号が、おそらく不等で未知の確率で独立に反転するときに、イジングモデルを学習するタスクを考える。
しかし, この不同一性は, 葉ノードが近傍と位置を交換して形成する小さな同値類に限られる。
論文 参考訳(メタデータ) (2020-06-10T01:32:45Z)
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。