論文の概要: cegpy: Modelling with Chain Event Graphs in Python
- arxiv url: http://arxiv.org/abs/2211.11366v1
- Date: Mon, 21 Nov 2022 11:32:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:46:33.879983
- Title: cegpy: Modelling with Chain Event Graphs in Python
- Title(参考訳): cegpy: Pythonでのチェーンイベントグラフのモデリング
- Authors: Gareth Walley, Aditi Shenvi, Peter Strong and Katarzyna Kobalczyk
- Abstract要約: 連鎖イベントグラフ(CEG)は、人気のあるベイズネットワーク(BN)ファミリーを一般化する確率的グラフィカルモデルの最近のファミリである。
本稿では,CEGを用いた複雑なプロセスの学習と解析を行う最初のPythonパッケージであるcegpyを紹介する。
- 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 (CEGs) are a recent family of probabilistic graphical
models that generalise the popular Bayesian networks (BNs) family. Crucially,
unlike BNs, a CEG is able to embed, within its graph and its statistical model,
asymmetries exhibited by a process. These asymmetries might be in the
conditional independence relationships or in the structure of the graph and its
underlying event space. Structural asymmetries are common in many domains, and
can occur naturally (e.g. a defendant vs prosecutor's version of events) or by
design (e.g. a public health intervention). However, there currently exists no
software that allows a user to leverage the theoretical developments of the CEG
model family in modelling processes with structural asymmetries. This paper
introduces cegpy, the first Python package for learning and analysing complex
processes using CEGs. The key feature of cegpy is that it is the first CEG
package in any programming language that can model processes with symmetric as
well as asymmetric structures. cegpy contains an implementation of Bayesian
model selection and probability propagation algorithms for CEGs. We illustrate
the functionality of cegpy using a structurally asymmetric dataset.
- Abstract(参考訳): chain event graphs (cegs) は、最近人気の高いベイズネットワーク(bns)ファミリーを一般化した確率的グラフィカルモデルである。
重要なことに、BNとは異なり、CEGは、そのグラフとその統計モデルの中に、プロセスによって表される非対称性を埋め込むことができる。
これらの非対称性は条件付き独立関係やグラフとその基礎となる事象空間の構造にあるかもしれない。
構造的非対称性は多くの領域で一般的であり、自然発生(被告対検察の事件)や設計(公衆衛生介入など)によって起こりうる。
しかし、CEGモデルファミリーの理論的発展を、構造的対称性を持つプロセスのモデル化に活用できるソフトウェアは今のところ存在しない。
本稿では,CEGを用いた複雑なプロセスの学習と解析を行う最初のPythonパッケージであるcegpyを紹介する。
cegpyの重要な特徴は、対称構造と非対称構造を持つプロセスをモデル化できる、あらゆるプログラミング言語で最初のCEGパッケージであることである。
cegpyはcegsのベイズモデル選択と確率伝播アルゴリズムの実装を含んでいる。
構造的に非対称なデータセットを用いて,cegpyの機能を説明する。
関連論文リスト
- Lifted Model Construction without Normalisation: A Vectorised Approach to Exploit Symmetries in Factor Graphs [3.1045268505532566]
パラメトリック係数グラフの形でリフト表現を構築するための現在の最先端アルゴリズムは、交換可能だがスケールの異なる因子間の対称性を見逃している。
本稿では、パラメトリック因子グラフを構築するための最先端カラーパスアルゴリズム(ACP)の一般化を提案する。
提案アルゴリズムは任意の因子のポテンシャルを任意に拡張することができ、元のACPアルゴリズムよりも効率的に対称性を検出できる。
論文 参考訳(メタデータ) (2024-11-18T16:59:44Z) - Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳(メタデータ) (2024-07-26T03:14:13Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - Beyond Conjugacy for Chain Event Graph Model Selection [0.0]
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。
論文 参考訳(メタデータ) (2022-11-07T10:33:01Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳(メタデータ) (2022-05-07T04:11:23Z) - 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) - Staged trees and asymmetry-labeled DAGs [2.66269503676104]
本稿では,実生木を最小のベイズネットワークで表現し,直感的に条件付き独立性を読み取る方法を提案する。
また,非対称性ラベル付き有向非巡回グラフ (asymmetric-labeled direct acyclic graph) と呼ばれる新しいラベル付きグラフも定義する。
論文 参考訳(メタデータ) (2021-08-04T12:20:47Z) - 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) - Constructing a Chain Event Graph from a Staged Tree [0.0]
Chain Event Graphs (CEG) は確率的グラフィカルモデルの最近のファミリである。
任意の木をCEG表現に自動的に変換する一般アルゴリズムはまだ開発されていない。
段落木をCEGに変換すると、情報が失われることはないことを示す。
論文 参考訳(メタデータ) (2020-06-29T08:07:06Z) - Sum-product networks: A survey [0.0]
和積ネットワーク(英: sum-product network、SPN)は、根付き非巡回有向グラフに基づく確率モデルである。
本稿では、SPNの定義、データからの推論と学習のための主要なアルゴリズム、メインアプリケーション、ソフトウェアライブラリの簡単なレビュー、関連するモデルとの比較などについて調査する。
論文 参考訳(メタデータ) (2020-04-02T17:46:29Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。