論文の概要: The YODO algorithm: An efficient computational framework for sensitivity
analysis in Bayesian networks
- arxiv url: http://arxiv.org/abs/2302.00364v1
- Date: Wed, 1 Feb 2023 10:47:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 17:44:12.087095
- Title: The YODO algorithm: An efficient computational framework for sensitivity
analysis in Bayesian networks
- Title（参考訳）: YODOアルゴリズム:ベイズネットワークにおける感度解析のための効率的な計算フレームワーク
- Authors: Rafael Ballester-Ripoll, Manuele Leonelli
- Abstract要約: 感度分析は、ベイズネットワークのパラメータがネットワークによって定義された関心量に与える影響を測定する。
本稿では,自動微分と精度推定を組み合わせたアルゴリズムを提案し,単一パスにおける感度測定を効率的に計算する。
本手法は,一方向・多方向感度解析と許容領域の導出に利用できる。
- 参考スコア（独自算出の注目度）: 5.33024001730262
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensitivity analysis measures the influence of a Bayesian network's
parameters on a quantity of interest defined by the network, such as the
probability of a variable taking a specific value. Various sensitivity measures
have been defined to quantify such influence, most commonly some function of
the quantity of interest's partial derivative with respect to the network's
conditional probabilities. However, computing these measures in large networks
with thousands of parameters can become computationally very expensive. We
propose an algorithm combining automatic differentiation and exact inference to
efficiently calculate the sensitivity measures in a single pass. It first
marginalizes the whole network once, using e.g. variable elimination, and then
backpropagates this operation to obtain the gradient with respect to all input
parameters. Our method can be used for one-way and multi-way sensitivity
analysis and the derivation of admissible regions. Simulation studies highlight
the efficiency of our algorithm by scaling it to massive networks with up to
100'000 parameters and investigate the feasibility of generic multi-way
analyses. Our routines are also showcased over two medium-sized Bayesian
networks: the first modeling the country-risks of a humanitarian crisis, the
second studying the relationship between the use of technology and the
psychological effects of forced social isolation during the COVID-19 pandemic.
An implementation of the methods using the popular machine learning library
PyTorch is freely available.
- Abstract（参考訳）: 感度分析は、ベイズネットワークのパラメータが特定の値を取る変数の確率など、ネットワークによって定義された関心量に与える影響を測定する。
このような影響を定量化する様々な感度尺度が定義されており、最も一般的にはネットワークの条件付き確率に関する関心の部分微分の量の関数である。
しかし、数千のパラメータを持つ大規模ネットワークでのこれらの測定値の計算は非常に高価になる可能性がある。
本稿では,自動微分と精度推定を組み合わせたアルゴリズムを提案し,単一パスにおける感度測定を効率的に計算する。
最初は変数除去(英語版)などを用いてネットワーク全体を疎外し、次にこの操作をバックプロパゲートして全ての入力パラメータの勾配を求める。
本手法は,一方向および多方向の感度解析と許容領域の導出に使用できる。
シミュレーション研究では,最大10万のパラメータを持つ大規模ネットワークにスケールすることで,アルゴリズムの効率性を強調し,汎用的マルチウェイ解析の可能性を検討する。
第一に人道危機の国家リスクをモデル化し、第二に、テクノロジーの利用と、新型コロナウイルス(COVID-19)パンデミックにおける社会的孤立の心理的影響との関係について研究する。
一般的な機械学習ライブラリであるPyTorchを使ったメソッドの実装は無料で利用可能である。
関連論文リスト
- Global Sensitivity Analysis of Uncertain Parameters in Bayesian Networks [4.404496835736175]
我々は,大域的分散に基づくパラメータの感度分析を行う。
我々の方法は不確実性をネットワークの$n$追加変数としてエンコードすることで機能する。
最後に、結果のネットワークにSobolの手法を適用して、グローバルな感度指標を$n$とする。
論文 参考訳（メタデータ） (2024-06-09T12:36:38Z) - Sensitivity-Aware Amortized Bayesian Inference [8.753065246797561]
感度分析は、様々なモデリング選択が統計的分析の結果に与える影響を明らかにする。
ニューラルネットワークを用いたシミュレーションベース推論に感度解析を統合するための多面的アプローチである感性認識型ベイズ推論(SA-ABI)を提案する。
本稿では,本手法が病気発生のダイナミクスや地球温暖化のしきい値から人的意思決定に至るまで,応用モデリング問題における有効性を示す。
論文 参考訳（メタデータ） (2023-10-17T10:14:10Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Conductivity Imaging from Internal Measurements with Mixed Least-Squares
Deep Neural Networks [4.228167013618626]
我々は,楕円型問題における導電率分布を再構築するために,ディープニューラルネットワークを用いた新しいアプローチを開発した。
連続的および経験的損失の両方に対して、導電率の深いニューラルネットワーク近似を徹底的に分析する。
論文 参考訳（メタデータ） (2023-03-29T04:43:03Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳（メタデータ） (2023-02-28T00:04:22Z) - You Only Derive Once (YODO): Automatic Differentiation for Efficient
Sensitivity Analysis in Bayesian Networks [5.33024001730262]
感度分析は、ベイズネットワークのパラメータがネットワークによって定義された関心量に与える影響を測定する。
そこで本稿では,自動微分と正確な推論を併用して,1回のパスですべての感度値を得る手法を提案する。
一般的な機械学習ライブラリであるPyTorchを使ったメソッドの実装は無料で利用可能である。
論文 参考訳（メタデータ） (2022-06-17T11:11:19Z) - Sensitivity analysis in differentially private machine learning using
hybrid automatic differentiation [54.88777449903538]
感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。
これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。
当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
論文 参考訳（メタデータ） (2021-07-09T07:19:23Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - Efficient and Sparse Neural Networks by Pruning Weights in a
Multiobjective Learning Approach [0.0]
本稿では、予測精度とネットワーク複雑性を2つの個別目的関数として扱うことにより、ニューラルネットワークのトレーニングに関する多目的視点を提案する。
模範的畳み込みニューラルネットワークの予備的な数値結果から、ニューラルネットワークの複雑性の大幅な低減と精度の低下が可能であることが確認された。
論文 参考訳（メタデータ） (2020-08-31T13:28:03Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。