論文の概要: Structural transfer learning of non-Gaussian DAG

• arxiv url: http://arxiv.org/abs/2310.10239v1
• Date: Mon, 16 Oct 2023 10:01:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 15:18:30.867706
• Title: Structural transfer learning of non-Gaussian DAG
• Title（参考訳）: 非ガウスDAGの構造伝達学習
• Authors: Mingyang Ren, Xin He, Junhui Wang
• Abstract要約: 直接非巡回グラフ(DAG)は、収集されたノードの集合間の方向関係を表現するために広く用いられている。 対象研究において、DAG構造を再構築するために、異種データをまとめる方法については、未解決の問題が残る。 本稿では,DAGの構造的類似度尺度を新たに導入し,DAG学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.11895013147964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Directed acyclic graph (DAG) has been widely employed to represent directional relationships among a set of collected nodes. Yet, the available data in one single study is often limited for accurate DAG reconstruction, whereas heterogeneous data may be collected from multiple relevant studies. It remains an open question how to pool the heterogeneous data together for better DAG structure reconstruction in the target study. In this paper, we first introduce a novel set of structural similarity measures for DAG and then present a transfer DAG learning framework by effectively leveraging information from auxiliary DAGs of different levels of similarities. Our theoretical analysis shows substantial improvement in terms of DAG reconstruction in the target study, even when no auxiliary DAG is overall similar to the target DAG, which is in sharp contrast to most existing transfer learning methods. The advantage of the proposed transfer DAG learning is also supported by extensive numerical experiments on both synthetic data and multi-site brain functional connectivity network data.
• Abstract（参考訳）: 直接非巡回グラフ(DAG)は、収集されたノードの集合間の方向関係を表現するために広く用いられている。 しかし、1つの研究で利用可能なデータは正確なDAG再構成に限られることが多いが、異種データは複数の研究から収集されることがある。 対象研究において、DAG構造を再構築するために異種データをまとめる方法については、未解決の問題が残る。 本稿ではまず,DAGの構造的類似度尺度を新たに導入し,異なる類似度レベルを持つ補助DAGからの情報を効果的に活用して伝達DAG学習フレームワークを提案する。 提案法は,DAGが対象DAGと総合的に類似していない場合でも,対象研究におけるDAG再建の点において,大幅な改善が見られた。 提案手法の利点は、合成データと多地点脳機能接続ネットワークデータの両方に関する広範な数値実験によっても支持される。

関連論文リスト

• Convolutional Learning on Directed Acyclic Graphs [10.282099295800322]
  我々は、有向非巡回グラフ(DAG)上で定義されたデータから学習するための新しい畳み込みアーキテクチャを開発する。 我々は,学習可能なDAGフィルタを統合した新しい畳み込みグラフニューラルネットワークを開発し,グラフトポロジによって誘導される部分順序を考慮に入れた。
  論文  参考訳（メタデータ） (2024-05-05T21:30:18Z)
• Toward Generative Data Augmentation for Traffic Classification [54.92823760790628]
  Data Augmentation (DA) 合成サンプルによるトレーニングデータの拡張 - Computer Vision (CV) で大きく採用され、モデル性能が向上した。 DAは、トラフィック分類(TC)を含むネットワークのユースケースでは、まだ普及していない。
  論文  参考訳（メタデータ） (2023-10-21T08:08:37Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• DAPDAG: Domain Adaptation via Perturbed DAG Reconstruction [78.76115370275733]
  本研究では,人口統計量の推定を行う自動エンコーダを学習し,有向非巡回グラフ(DAG)を補助的タスクとして再構築する。 基礎となるDAG構造は、条件分布が潜伏環境変数$E$によって導かれる領域間で変化することが許される観測変数の間で不変であると仮定される。 我々は、エンコーダとデコーダをエンドツーエンドで共同で訓練し、混合変数を用いた合成および実データセットの実験を行う。
  論文  参考訳（メタデータ） (2022-08-02T11:43:03Z)
• DAG-WGAN: Causal Structure Learning With Wasserstein Generative Adversarial Networks [2.492300648514129]
  本稿では、自動エンコーダアーキテクチャであるワッサーシュタインに基づく対向損失と非循環性制約を組み合わせたDAG-WGANを提案する。 同時に因果構造を学習し、ワッサーシュタイン距離メートル法から強度を利用することによりデータ生成能力を向上させる。 我々はDAG-WGANを最先端技術に対して評価し,その性能を実証した。
  論文  参考訳（メタデータ） (2022-04-01T12:27:27Z)
• Differentiable DAG Sampling [33.45069308137142]
  DAG(DP-DAG)を用いた新しい微分可能確率モデルを提案する。 DP-DAGは、連続最適化に適した高速かつ微分可能なDAGサンプリングを可能にする。 観測データから新たなDAG学習法であるVI-DP-DAGを提案する。
  論文  参考訳（メタデータ） (2022-03-16T10:14:49Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)

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。