論文の概要: Module-based regularization improves Gaussian graphical models when observing noisy data

• arxiv url: http://arxiv.org/abs/2303.16796v3
• Date: Wed, 10 May 2023 12:06:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 16:31:17.825841
• 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: 相関データから関係を推測することで、研究者は変数間の複雑な関係を明らかにすることができる。 研究者はしばしばガウス図形モデルを用いて推論された関係を表現し、モデルをスパース化するために正規化する必要がある。 推定されたネットワークのモジュラ構造がしばしば研究されることを認め、モジュールベースの正規化を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ように提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring relations from correlational data allows researchers across the sciences to uncover complex connections between variables for insights into the underlying mechanisms. The researchers often represent inferred relations using Gaussian graphical models, requiring regularization to sparsify the models. Acknowledging that the modular structure of the inferred network is often studied, we suggest module-based regularization to balance under- and overfitting. Compared with the graphical lasso, a standard approach using the Gaussian log-likelihood for estimating the regularization strength, this approach better recovers and infers modular structure in noisy synthetic and real data. The module-based regularization technique improves the usefulness of Gaussian graphical models in the many applications where they are employed.
• Abstract（参考訳）: 相関データから関係を推測することで、科学の研究者が変数間の複雑な関係を解明し、基礎となるメカニズムを理解することができる。 研究者はしばしばガウスのグラフィカルモデルを用いて推測された関係を表現し、モデルをスパーシフィケーションするために正規化を必要とする。 推定されたネットワークのモジュラ構造がしばしば研究されることを認め、モジュールベースの正規化を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ように提案する。 gaussian log-likelihoodを用いた正規化強度推定の標準的なアプローチであるグラフィカルラッソと比較して、このアプローチは、ノイズの多い合成データと実データにおいてモジュラー構造をより良く復元し、推定する。 モジュールベースの正規化技術は、ガウスのグラフィカルモデルが採用されている多くのアプリケーションにおいて有用性を向上させる。

関連論文リスト

• 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)
• Optimal regularizations for data generation with probabilistic graphical models [0.0]
  経験的に、よく調和された正規化スキームは、推論されたモデルの品質を劇的に改善する。 生成的ペアワイドグラフィカルモデルの最大Aポストエリオーリ(MAP)推論におけるL2とL1の正規化について検討する。
  論文  参考訳（メタデータ） (2021-12-02T14:45:16Z)
• Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
  D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。 モデルのパラメータは期待最大化手順によって反復的に推定される。
  論文  参考訳（メタデータ） (2021-06-16T18:00:02Z)
• 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。