論文の概要: Module-based regularization improves Gaussian graphical models when
observing noisy data
- arxiv url: http://arxiv.org/abs/2303.16796v1
- Date: Wed, 29 Mar 2023 15:38:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 14:14:37.483845
- Title: Module-based regularization improves Gaussian graphical models when
observing noisy data
- Title(参考訳): モジュールベース正規化によるノイズデータ観測時のガウスグラフィカルモデルの改善
- Authors: Magnus Neuman, Joaqu\'in Calatayud, Viktor Tasselius, Martin Rosvall
- Abstract要約: 我々は,正規化強度のクロスバリデーションにおいて,推論ネットワークのモジュラ構造を統合することを提案する。
合成データと実データを用いて、この手法により、ノイズの多いデータにおいてモジュラ構造をよりよく復元し、推論できることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Researchers often represent relations in multi-variate correlational data
using Gaussian graphical models, which require regularization to sparsify the
models. Acknowledging that they often study the modular structure of the
inferred network, we suggest integrating it in the cross-validation of the
regularization strength to balance under- and overfitting. Using synthetic and
real data, we show that this approach allows us to better recover and infer
modular structure in noisy data compared with the graphical lasso, a standard
approach using the Gaussian log-likelihood when cross-validating the
regularization strength.
- Abstract(参考訳): 研究者はしばしばガウス図形モデルを用いて多変量相関データで関係を表現する。
推論されたネットワークのモジュラ構造をよく研究していることを認識し、正規化強度のクロスバリデーションに組み込んでアンダーフィッティングとオーバーフィッティングのバランスをとることを提案する。
合成および実データを用いることで,正規化強度をクロスバリデーションする場合のガウス対類似性を用いた標準的なアプローチであるグラフィカルラスソに比べて,ノイズデータにおけるモジュラー構造の復元と推定が容易になることを示す。
関連論文リスト
- A theoretical framework for overfitting in energy-based modeling [5.1337384597700995]
相互作用ネットワークの同定を目的とした逆問題に対するペアワイズエネルギーベースモデルの学習における限られたデータの影響について検討する。
我々は、結合行列の固有基底を横断する訓練軌跡を識別し、固有モデムの独立進化を利用する。
有限データ補正は確率行列理論計算によって正確にモデル化可能であることを示す。
論文 参考訳(メタデータ) (2025-01-31T14:21:02Z) - Beyond Log-Concavity and Score Regularity: Improved Convergence Bounds for Score-Based Generative Models in W2-distance [0.0]
スコアベース生成モデル(SGM)における収束解析のための新しい枠組みを提案する。
データ分布の弱い対数共振器は時間とともに対数共振器へと進化することを示す。
本手法は, スコア関数とその正則性に対する厳密な正則性条件の必要性を回避するものである。
論文 参考訳(メタデータ) (2025-01-04T14:33:27Z) - Structure Learning in Gaussian Graphical Models from Glauber Dynamics [6.982878344925993]
グラウバー力学に基づいてデータをサンプリングする場合, ガウスモデル選択のための最初のアルゴリズムを提案する。
本稿では,提案アルゴリズムの構造学習性能の計算的および統計的複雑さを保証する。
論文 参考訳(メタデータ) (2024-12-24T18:49:13Z) - Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。
因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文 参考訳(メタデータ) (2024-06-07T14:29:21Z) - Wasserstein proximal operators describe score-based generative models
and resolve memorization [12.321631823103894]
We first formulate SGMs with terms of Wasserstein proximal operator (WPO)
We show that WPO describe the inductive bias of diffusion and score-based model。
本稿では,SGMの性能を劇的に向上させる,スコア関数の解釈可能なカーネルベースモデルを提案する。
論文 参考訳(メタデータ) (2024-02-09T03:33:13Z) - 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) - ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。
ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。
実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
論文 参考訳(メタデータ) (2022-06-24T08:18:05Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳(メタデータ) (2020-09-28T09:49:38Z) - 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)
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。