論文の概要: Structure Learning and Parameter Estimation for Graphical Models via
Penalized Maximum Likelihood Methods
- arxiv url: http://arxiv.org/abs/2301.13269v1
- Date: Mon, 30 Jan 2023 20:26:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 18:36:04.282500
- Title: Structure Learning and Parameter Estimation for Graphical Models via
Penalized Maximum Likelihood Methods
- Title（参考訳）: ペナル化最大近似法による図形モデルの構造学習とパラメータ推定
- Authors: Maryia Shpak (Maria Curie-Sklodowska University in Lublin)
- Abstract要約: 論文では、静的なベイジアンネットワーク(BN)と、その名前が示すように時間成分を持つ連続時間ベイジアンネットワークという2つの異なるタイプのPGMについて考察する。
私たちは、PGMを学ぶための最初のステップである、真の構造を回復することに興味を持っています。
- 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: Probabilistic graphical models (PGMs) provide a compact and flexible
framework to model very complex real-life phenomena. They combine the
probability theory which deals with uncertainty and logical structure
represented by a graph which allows one to cope with the computational
complexity and also interpret and communicate the obtained knowledge. In the
thesis, we consider two different types of PGMs: Bayesian networks (BNs) which
are static, and continuous time Bayesian networks which, as the name suggests,
have a temporal component. We are interested in recovering their true
structure, which is the first step in learning any PGM. This is a challenging
task, which is interesting in itself from the causal point of view, for the
purposes of interpretation of the model and the decision-making process. All
approaches for structure learning in the thesis are united by the same idea of
maximum likelihood estimation with the LASSO penalty. The problem of structure
learning is reduced to the problem of finding non-zero coefficients in the
LASSO estimator for a generalized linear model. In the case of CTBNs, we
consider the problem both for complete and incomplete data. We support the
theoretical results with experiments.
- Abstract（参考訳）: 確率的グラフィカルモデル(PGM)は、非常に複雑な現実現象をモデル化するためのコンパクトで柔軟なフレームワークを提供する。
これらは、不確実性を扱う確率理論と、計算の複雑さに対処し、得られた知識を解釈し、伝達するグラフによって表される論理構造を組み合わせる。
論文では、静的なベイジアンネットワーク(BN)と、その名前が示すように時間成分を持つ連続時間ベイジアンネットワークという2つの異なるタイプのPGMについて考察する。
pgmを学ぶための第一歩となる、真の構造を回復することに興味があります。
これは、モデルと意思決定プロセスの解釈を目的として、因果的な観点から、それ自体が興味深い課題である。
論文における構造学習のすべてのアプローチは、ラッソのペナルティと同じ最大確率推定のアイデアによって統一される。
構造学習の問題は、一般化線形モデルに対するLASSO推定器における非ゼロ係数を求める問題に還元される。
CTBNの場合には、完全データと不完全データの両方に関して問題を考察する。
我々は実験で理論結果を支持する。
関連論文リスト
- Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。
帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。
本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。
第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
論文 参考訳（メタデータ） (2024-08-03T13:37:40Z) - Towards Compositional Interpretability for XAI [3.3768167170511587]
本稿では,カテゴリ理論に基づくAIモデルとその解釈可能性の定義手法を提案する。
我々は、幅広いAIモデルを構成モデルと比較する。
標準の'本質的に解釈可能な'モデルを作るものは、最も明確に図式化されます。
論文 参考訳（メタデータ） (2024-06-25T14:27:03Z) - Robust Model Selection of Gaussian Graphical Models [16.933125281564163]
ノイズ崩壊サンプルは、グラフィカルモデル選択において重要な課題を示す。
本稿では,基礎となるグラフを同定されたあいまいさまで確実に復元するアルゴリズムを提案する。
この情報は、電力網、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、神経構造など、現実世界の様々な問題に有用である。
論文 参考訳（メタデータ） (2022-11-10T16:50:50Z) - Neural Graphical Models [2.6842860806280058]
本稿では,複雑な特徴依存を合理的な計算コストで表現するために,NGM(Neural Graphical Models)を導入する。
ニューラルネットワークをマルチタスク学習フレームワークとして使用することにより,機能間の依存関係構造と複雑な関数表現をキャプチャする。
NGMは、有向グラフ、無向グラフ、混合エッジグラフを含む一般的なグラフ構造に適合し、混合入力データ型をサポートする。
論文 参考訳（メタデータ） (2022-10-02T07:59:51Z) - Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。
まず、神経因果モデル(NCM)が十分に表現可能であることを示す。
第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-09-30T18:29:09Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z) - 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) - Structure learning for CTBN's via penalized maximum likelihood methods [2.997206383342421]
我々は,より困難な課題である構造学習問題について検討し,その課題に関する既存の研究は限られている。
我々のアルゴリズムは、穏やかな規則性条件下で、高い確率でグラフの依存構造を認識することを証明している。
論文 参考訳（メタデータ） (2020-06-13T14:28:19Z) - Bayesian network structure learning with causal effects in the presence
of latent variables [6.85316573653194]
本稿では,cFCIの制約に基づく部分とスコアに基づく学習を組み合わせた,CCHMと呼ばれるハイブリッド構造学習アルゴリズムについて述べる。
ランダム化されたネットワークとよく知られたネットワークの両方に基づく実験により、CCHMは真の祖先グラフの再構築の観点から最先端の改善を図っている。
論文 参考訳（メタデータ） (2020-05-29T04:42:28Z)
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。