論文の概要: Differentiable Bayesian Structure Learning with Acyclicity Assurance
- arxiv url: http://arxiv.org/abs/2309.01392v2
- Date: Wed, 6 Sep 2023 04:28:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 11:22:13.579507
- Title: Differentiable Bayesian Structure Learning with Acyclicity Assurance
- Title(参考訳): 非巡回性保証を用いた微分ベイズ構造学習
- Authors: Quang-Duy Tran, Phuoc Nguyen, Bao Duong, Thin Nguyen
- Abstract要約: トポロジ的順序付けからの知識の統合によりグラフの非巡回性を厳格に制限する代替手法を提案する。
提案手法は、生成したグラフの構造が非循環であることを保証しながら、推論の複雑さを低減することができる。
- 参考スコア(独自算出の注目度): 7.568978862189266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Score-based approaches in the structure learning task are thriving because of
their scalability. Continuous relaxation has been the key reason for this
advancement. Despite achieving promising outcomes, most of these methods are
still struggling to ensure that the graphs generated from the latent space are
acyclic by minimizing a defined score. There has also been another trend of
permutation-based approaches, which concern the search for the topological
ordering of the variables in the directed acyclic graph in order to limit the
search space of the graph. In this study, we propose an alternative approach
for strictly constraining the acyclicty of the graphs with an integration of
the knowledge from the topological orderings. Our approach can reduce inference
complexity while ensuring the structures of the generated graphs to be acyclic.
Our empirical experiments with simulated and real-world data show that our
approach can outperform related Bayesian score-based approaches.
- Abstract(参考訳): 構造学習タスクにおけるスコアベースのアプローチは、スケーラビリティのために成功しています。
継続的緩和がこの進歩の重要な理由です。
有望な結果を達成するにも拘わらず、これらの手法の多くは、定義されたスコアを最小化することで、潜在空間から生成されたグラフが非循環であることを保証するのに依然として苦労している。
また、グラフの探索空間を制限するため、有向非巡回グラフにおける変数の位相的順序付けの探索についても、置換に基づくアプローチの別の傾向がある。
本研究では、トポロジ的順序付けからの知識の統合によりグラフの非循環性を厳格に制約する代替手法を提案する。
我々のアプローチは、生成されたグラフの構造を非循環にしつつ、推論の複雑さを低減できる。
シミュレーションおよび実世界データを用いた実験により,提案手法が関連するベイズスコアベースアプローチに勝ることを示した。
関連論文リスト
- Constraint-Free Structure Learning with Smooth Acyclic Orientations [16.556484521585197]
非循環構造学習のための制約のない連続最適化スキームであるCOSMOを導入する。
明示的な制約がないにもかかわらず、COSMOは常に非巡回解に収束することを示す。
論文 参考訳(メタデータ) (2023-09-15T14:08:09Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - Directed Acyclic Graph Structure Learning from Dynamic Graphs [44.21230819336437]
特徴(変数)の有向非巡回グラフ(DAG)の構造を推定することは、潜在データ生成プロセスを明らかにする上で重要な役割を果たす。
このようなユビキタスな動的グラフデータに基づくノード特徴生成機構の学習問題について検討する。
論文 参考訳(メタデータ) (2022-11-30T14:22:01Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースライン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) (2022-06-25T03:54:53Z) - Score matching enables causal discovery of nonlinear additive noise
models [63.93669924730725]
次世代のスケーラブル因果発見手法の設計方法について述べる。
本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
論文 参考訳(メタデータ) (2022-03-08T21:34:46Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Efficient Bayesian network structure learning via local Markov boundary
search [17.1764265047364]
本研究では,特定の分布仮定を伴わない観測データから,非循環型図形学習の複雑さを解析する。
局所マルコフ境界探索法を用いて、基礎となるグラフィカルモデルに祖先集合を構築する。
我々のアプローチは一般に、離散的あるいは連続的な分布を分布の仮定なしで処理し、データから有向グラフモデルの構造を効率的に学習するのに必要となる最小限の仮定に光を当てる。
論文 参考訳(メタデータ) (2021-10-12T15:33:59Z) - Efficient Neural Causal Discovery without Acyclicity Constraints [30.08586535981525]
本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。
実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
論文 参考訳(メタデータ) (2021-07-22T07:01:41Z) - DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。
本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。
本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
論文 参考訳(メタデータ) (2021-06-14T07:11:36Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z)
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。