論文の概要: Interpretable and Scalable Graphical Models for Complex Spatio-temporal
Processes
- arxiv url: http://arxiv.org/abs/2301.06021v1
- Date: Sun, 15 Jan 2023 05:39:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 17:38:06.569581
- Title: Interpretable and Scalable Graphical Models for Complex Spatio-temporal
Processes
- Title（参考訳）: 複雑な時空間過程に対する解釈可能かつスケーラブルなグラフィカルモデル
- Authors: Yu Wang
- Abstract要約: 論文は、複雑な時間構造を持つデータと、解釈可能かつ解釈可能な方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。
この方法論の実践的応用は、実際のデータセットを用いて検討される。
これには、データを用いた脳接続分析、太陽画像データを用いた宇宙天気予報、Twitterデータを用いた世論の縦断的分析、TalkLifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
- 参考スコア（独自算出の注目度）: 3.469001874498102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This thesis focuses on data that has complex spatio-temporal structure and on
probabilistic graphical models that learn the structure in an interpretable and
scalable manner. We target two research areas of interest: Gaussian graphical
models for tensor-variate data and summarization of complex time-varying texts
using topic models. This work advances the state-of-the-art in several
directions. First, it introduces a new class of tensor-variate Gaussian
graphical models via the Sylvester tensor equation. Second, it develops an
optimization technique based on a fast-converging proximal alternating
linearized minimization method, which scales tensor-variate Gaussian graphical
model estimations to modern big-data settings. Third, it connects
Kronecker-structured (inverse) covariance models with spatio-temporal partial
differential equations (PDEs) and introduces a new framework for ensemble
Kalman filtering that is capable of tracking chaotic physical systems. Fourth,
it proposes a modular and interpretable framework for unsupervised and
weakly-supervised probabilistic topic modeling of time-varying data that
combines generative statistical models with computational geometric methods.
Throughout, practical applications of the methodology are considered using real
datasets. This includes brain-connectivity analysis using EEG data, space
weather forecasting using solar imaging data, longitudinal analysis of public
opinions using Twitter data, and mining of mental health related issues using
TalkLife data. We show in each case that the graphical modeling framework
introduced here leads to improved interpretability, accuracy, and scalability.
- Abstract（参考訳）: この論文は、複雑な時空間構造を持つデータと、解釈可能でスケーラブルな方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。
テンソル変量データのためのガウス的グラフィカルモデルと、トピックモデルを用いた複雑な時間変化テキストの要約である。
この作品は最先端の技術を様々な方向に進めている。
まず、シルベスターテンソル方程式を介して、テンソル変量ガウスのグラフィカルモデルの新しいクラスを導入する。
第2に、テンソル変量ガウス図形モデル推定を現代的なビッグデータ設定に拡張する高速収束近位線形化最小化法に基づく最適化手法を開発する。
第3に、クロネッカー構造(逆)共分散モデルと時空間偏微分方程式(pdes)を接続し、カオス物理系を追跡することのできるアンサンブルカルマンフィルタリングの新しい枠組みを導入する。
第4に、生成統計モデルと計算幾何学的手法を組み合わせた時間変化データの教師なしおよび弱教師付き確率的トピックモデリングのためのモジュラー・解釈可能なフレームワークを提案する。
全体を通して、実際のデータセットを用いて方法論の実践的応用を考察する。
これには脳波データを用いた脳結合分析、太陽画像データを用いた宇宙天気予報、twitterデータを用いた世論の縦断分析、talklifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
ここで導入されたグラフィカルモデリングフレームワークは、それぞれのケースにおいて、解釈可能性、正確性、スケーラビリティを改善します。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Provable Tensor Completion with Graph Information [49.08648842312456]
本稿では,動的グラフ正規化テンソル完備問題の解法として,新しいモデル,理論,アルゴリズムを提案する。
我々はテンソルの低ランクおよび類似度構造を同時に捉える包括的モデルを開発する。
理論の観点からは、提案したグラフの滑らか度正規化と重み付きテンソル核ノルムとの整合性を示す。
論文 参考訳（メタデータ） (2023-10-04T02:55:10Z) - Sparse Graphical Linear Dynamical Systems [1.6635799895254402]
時系列データセットは機械学習の中心であり、科学と工学の様々な分野に応用されている。
本研究は,共同グラフィカル・モデリング・フレームワークを導入することでギャップを埋める新しい手法を提案する。
本稿では,DGLASSOを提案する。DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO。
論文 参考訳（メタデータ） (2023-07-06T14:10:02Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - 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) - Learning Time-Varying Graphs from Online Data [39.21234914444073]
本研究では,オンラインデータから時間変化グラフを学習するアルゴリズムフレームワークを提案する。
モデルに依存しない、すなわち抽象的な定式化において理論的に解析することができる。
フレームワークを3つのよく知られたグラフ学習モデル、すなわちガウス図形モデル(GGM)、構造方程式モデル(SEM)、滑らか性に基づくモデル(SBM)に特化する。
論文 参考訳（メタデータ） (2021-10-21T09:46:44Z) - Kernel-Based Models for Influence Maximization on Graphs based on
Gaussian Process Variance Minimization [9.357483974291899]
グラフ上の新しい影響モデル(IM)の導入と検討を行う。
データ駆動アプローチは、このIMモデルの適切なカーネルを決定するために適用することができる。
この分野でコストのかかるモンテカルロシミュレーションに依存するモデルと比較して、我々のモデルはシンプルでコスト効率のよい更新戦略を可能にする。
論文 参考訳（メタデータ） (2021-03-02T08:55:34Z) - Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。
このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
論文 参考訳（メタデータ） (2020-07-13T08:02:27Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。