論文の概要: Generalized Precision Matrix for Scalable Estimation of Nonparametric
Markov Networks
- arxiv url: http://arxiv.org/abs/2305.11379v1
- Date: Fri, 19 May 2023 01:53:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 16:41:11.368635
- Title: Generalized Precision Matrix for Scalable Estimation of Nonparametric
Markov Networks
- Title(参考訳): 非パラメトリックマルコフネットワークのスケーラブル推定のための一般化精度行列
- Authors: Yujia Zheng, Ignavier Ng, Yewen Fan, Kun Zhang
- Abstract要約: マルコフネットワークは、確率変数の集合の中で条件独立構造またはマルコフ特性を特徴づける。
本研究では,すべてのデータ型に対する一般分布における条件独立構造を特徴付ける。
また,変数間の一般関数関係を許容し,マルコフネットワーク構造学習アルゴリズムを考案する。
- 参考スコア(独自算出の注目度): 11.77890309304632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A Markov network characterizes the conditional independence structure, or
Markov property, among a set of random variables. Existing work focuses on
specific families of distributions (e.g., exponential families) and/or certain
structures of graphs, and most of them can only handle variables of a single
data type (continuous or discrete). In this work, we characterize the
conditional independence structure in general distributions for all data types
(i.e., continuous, discrete, and mixed-type) with a Generalized Precision
Matrix (GPM). Besides, we also allow general functional relations among
variables, thus giving rise to a Markov network structure learning algorithm in
one of the most general settings. To deal with the computational challenge of
the problem, especially for large graphs, we unify all cases under the same
umbrella of a regularized score matching framework. We validate the theoretical
results and demonstrate the scalability empirically in various settings.
- Abstract(参考訳): マルコフネットワークは、確率変数の集合の中で条件独立構造またはマルコフ特性を特徴づける。
既存の研究は分布の特定の族(例えば指数関数的族)とグラフの特定の構造に焦点を当てており、そのほとんどは単一のデータ型(連続的または離散的)の変数しか扱えない。
本研究では,すべてのデータ型(例えば連続型,離散型,混合型)の一般分布における条件付き独立構造を一般化精度行列(gpm)で特徴づける。
さらに,変数間の一般関数関係も可能とし,マルコフネットワーク構造学習アルゴリズムを最も一般的な設定の1つとして提案する。
この問題の計算問題に対処するため、特に大きなグラフでは、正規化スコアマッチングフレームワークと同じ傘の下で全てのケースを統合する。
理論結果を検証し,様々な環境で経験的に拡張性を示す。
関連論文リスト
- Towards Stable, Globally Expressive Graph Representations with Laplacian Eigenvectors [29.055130767451036]
本稿では,ラプラシアン固有ベクトルを用いて,安定かつグローバルに表現可能なグラフ表現を生成する手法を提案する。
提案手法は, 数値的近接固有値を円滑に処理し, 摂動に対するロバスト性を向上する。
論文 参考訳(メタデータ) (2024-10-13T06:02:25Z) - Signed Diverse Multiplex Networks: Clustering and Inference [4.070200285321219]
設定は多重バージョンに拡張され、すべてのレイヤが同じノードのコレクションを持ち、SGRDPGに従う。
まず,ネットワーク構築過程におけるエッジの符号の保持が,推定とクラスタリングの精度の向上につながることを示す。
第二に、新しいアルゴリズムを用いることで、階層の強い一貫したクラスタリングと、部分空間推定の高精度を保証できる。
論文 参考訳(メタデータ) (2024-02-14T19:37:30Z) - iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive
Noise Models [48.33685559041322]
本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。
提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
論文 参考訳(メタデータ) (2023-06-30T01:48:11Z) - Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。
OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。
コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T04:38:39Z) - Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。
FAモデルが最大表現力を持つことを示す。
我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
論文 参考訳(メタデータ) (2021-10-07T11:05:23Z) - Diagonal Nonlinear Transformations Preserve Structure in Covariance and
Precision Matrices [3.652509571098291]
ある種の非ガウス分布に対して、対応は、共分散に対して、そしてほぼ精度のために、依然として保持される。
分布は「非正規」と呼ばれ、多変量正規確率変数の対角変換によって与えられる。
論文 参考訳(メタデータ) (2021-07-08T22:31:48Z) - Statistical Analysis from the Fourier Integral Theorem [9.619814126465206]
条件分布関数のモンテカルロに基づく推定器について検討する。
マルコフ過程の予測など,多くの問題について検討する。
推定器は明示的なモンテカルロベースであり、反復アルゴリズムを必要としない。
論文 参考訳(メタデータ) (2021-06-11T20:44:54Z) - Structure Learning of Contextual Markov Networks using Marginal
Pseudo-likelihood [5.364120183147694]
一般文脈マルコフネットワークに対する解析的抽出可能な基準として、境界擬似類似性を導入する。
我々の基準は、一貫した構造推定器をもたらすことが示されている。
論文 参考訳(メタデータ) (2021-03-29T12:13:15Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Building powerful and equivariant graph neural networks with structural
message-passing [74.93169425144755]
本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。
まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。
次に,メッセージのパラメトリゼーション手法を提案する。
論文 参考訳(メタデータ) (2020-06-26T17:15:16Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。