論文の概要: Learning and interpreting asymmetry-labeled DAGs: a case study on COVID-19 fear

• arxiv url: http://arxiv.org/abs/2301.00629v1
• Date: Mon, 2 Jan 2023 12:48:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 14:00:12.650359
• Title: Learning and interpreting asymmetry-labeled DAGs: a case study on COVID-19 fear
• Title（参考訳）: 非対称性標識DAGの学習と解釈--COVID-19の恐怖を事例として
• Authors: Manuele Leonelli and Gherardo Varando
• Abstract要約: 非対称性ラベル付きDAGは、独立性の対称仮定を緩和することによってベイズネットワークのクラスを拡張することが提案されている。 本稿では,このモデルに対する構造学習アルゴリズムについて紹介する。このアルゴリズムは,効率的ではあるが,基礎となる依存構造を直接解釈することができる。 イタリアで収集されたFear of COVID-19 Scaleのデータを使用した実世界のデータアプリケーションでは、実際に使用されていることが示されている。
• 参考スコア（独自算出の注目度）: 2.3572498744567127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian networks are widely used to learn and reason about the dependence structure of discrete variables. However, they are only capable of formally encoding symmetric conditional independence, which in practice is often too strict to hold. Asymmetry-labeled DAGs have been recently proposed to both extend the class of Bayesian networks by relaxing the symmetric assumption of independence and denote the type of dependence existing between the variables of interest. Here, we introduce novel structural learning algorithms for this class of models which, whilst being efficient, allow for a straightforward interpretation of the underlying dependence structure. A comprehensive computational study highlights the efficiency of the algorithms. A real-world data application using data from the Fear of COVID-19 Scale collected in Italy showcases their use in practice.
• Abstract（参考訳）: ベイズネットワークは離散変数の依存構造を学習し、推論するために広く使われている。 しかし、それらは対称条件付き独立性を形式的にエンコードするだけであり、実際には保持するには厳格すぎることが多い。 非対称性ラベル付きDAGは、独立性の対称仮定を緩和し、興味のある変数の間に存在する依存のタイプを示すことによってベイズネットワークのクラスを拡張することが最近提案されている。 ここでは、このモデルのクラスに対する新しい構造学習アルゴリズムについて紹介する。 包括的計算研究はアルゴリズムの効率を強調する。 イタリアで収集されたcovid-19スケールの恐れのデータを使用した現実世界のデータアプリケーションは、実際の使用例を示している。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Learning Discretized Bayesian Networks with GOMEA [0.0]
  我々は、可変離散化を共同学習するために、既存の最先端構造学習アプローチを拡張した。 これにより、専門家の知識をユニークな洞察に富んだ方法で組み込むことができ、複雑性、正確性、および事前に決定された専門家ネットワークとの差異をトレードオフする複数のDBNを見つけることができることを示す。
  論文  参考訳（メタデータ） (2024-02-19T14:29:35Z)
• Distributionally Robust Skeleton Learning of Discrete Bayesian Networks [9.46389554092506]
  我々は、潜在的に破損したデータから一般的な離散ベイズネットワークの正確なスケルトンを学習する問題を考察する。 本稿では,有界ワッサーシュタイン距離(KL)における分布群に対する最も有害なリスクを,経験的分布へのKL分散を最適化することを提案する。 本稿では,提案手法が標準正規化回帰手法と密接に関連していることを示す。
  論文  参考訳（メタデータ） (2023-11-10T15:33:19Z)
• Symmetric Equilibrium Learning of VAEs [56.56929742714685]
  可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。 本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
  論文  参考訳（メタデータ） (2023-07-19T10:27:34Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Self-learn to Explain Siamese Networks Robustly [22.913886901196353]
  2つのオブジェクトを比較する学習は、特にラベル付きデータが不足している場合、デジタル法医学、顔認識、脳ネットワーク分析で使用される。 これらのアプリケーションは、公正さや不均衡といった社会的価値を含む高い意思決定を行うため、学習されたモデルを説明することが重要である。
  論文  参考訳（メタデータ） (2021-09-15T15:28:39Z)
• Differential Privacy and Byzantine Resilience in SGD: Do They Add Up? [6.614755043607777]
  本研究では,差分プライバシ(DP)と$(alpha,f)$-ビザンチンレジリエンスを併用して,SGD(Gradient Descent)学習アルゴリズムの分散実装が実現可能であるかを検討する。 これらの手法の直接的な構成は、結果のSGDアルゴリズムがMLモデルのパラメータ数に依存することを保証していることを示す。
  論文  参考訳（メタデータ） (2021-02-16T14:10:38Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• 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)
• Automated extraction of mutual independence patterns using Bayesian comparison of partition models [7.6146285961466]
  相互独立は、変数間の構造的関係を特徴づける統計学における重要な概念である。 相互独立を調査するための既存の手法は、2つの競合するモデルの定義に依存している。 本稿では,マルコフ連鎖モンテカルロ(MCMC)アルゴリズムを提案し,相互独立性のすべてのパターンの空間上の後部分布を数値的に近似する。
  論文  参考訳（メタデータ） (2020-01-15T16:21:48Z)

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。