論文の概要: Interaction Screening and Pseudolikelihood Approaches for Tensor
Learning in Ising Models
- arxiv url: http://arxiv.org/abs/2310.13232v1
- Date: Fri, 20 Oct 2023 02:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 00:47:24.694921
- Title: Interaction Screening and Pseudolikelihood Approaches for Tensor
Learning in Ising Models
- Title(参考訳): イジングモデルにおけるテンソル学習のためのインタラクションスクリーニングと疑似相似アプローチ
- Authors: Tianyu Liu and Somabha Mukherjee
- Abstract要約: 我々は,Ising構造学習の2つのよく知られた手法,すなわち擬似的類似性アプローチと相互作用スクリーニングアプローチについて検討した。
両手法とも,ネットワークノード数のサンプルサイズ対数法を用いて,基盤となるハイパーネットワーク構造を検索する。
- 参考スコア(独自算出の注目度): 8.622642118842624
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, we study two well known methods of Ising structure learning,
namely the pseudolikelihood approach and the interaction screening approach, in
the context of tensor recovery in $k$-spin Ising models. We show that both
these approaches, with proper regularization, retrieve the underlying
hypernetwork structure using a sample size logarithmic in the number of network
nodes, and exponential in the maximum interaction strength and maximum
node-degree. We also track down the exact dependence of the rate of tensor
recovery on the interaction order $k$, that is allowed to grow with the number
of samples and nodes, for both the approaches. Finally, we provide a
comparative discussion of the performance of the two approaches based on
simulation studies, which also demonstrate the exponential dependence of the
tensor recovery rate on the maximum coupling strength.
- Abstract(参考訳): 本稿では,$k$-spinイジングモデルにおけるテンソル回復の文脈において,擬似類似化アプローチと相互作用スクリーニングアプローチという,よく知られた2つの構造学習手法について検討する。
これら2つのアプローチは,適切な正規化とともに,ネットワークノード数におけるサンプルサイズ対数と最大相互作用強度と最大ノード次数の指数関数を用いて,基盤となるハイパーネットワーク構造を検索する。
また、両方のアプローチで、サンプル数とノード数で成長することができる相互作用順序 $k$ に対するテンソル回復率の正確な依存性を追跡する。
最後に, 最大結合強度に対するテンソル回復率の指数関数的依存性を示すシミュレーション研究に基づく2つの手法の性能の比較検討を行った。
関連論文リスト
- Performance Gaps in Multi-view Clustering under the Nested Matrix-Tensor
Model [7.4968526280735945]
最近導入されたネストマトリクス・テンソルモデルに隠された植込み信号の推定について検討した。
ここではテンソルベースアプローチとトラクタブルアプローチのパフォーマンスギャップを定量化する。
論文 参考訳(メタデータ) (2024-02-16T13:31:43Z) - Alteration Detection of Tensor Dependence Structure via
Sparsity-Exploited Reranking Algorithm [3.7363073304294336]
一般に採用されているテンソル正規分布の下で問題を定式化し、2サンプル相関/部分相関比較を目指す。
本稿では,複数のテスト効率を改善するために,新しいSERA(Sprsity-Exploited Re rank Algorithm)を提案する。
提案手法の特性は導出され,アルゴリズムは事前に特定されたレベルでの誤発見を制御する。
論文 参考訳(メタデータ) (2023-10-13T01:04:22Z) - A Nested Matrix-Tensor Model for Noisy Multi-view Clustering [5.132856740094742]
次数3のスパイクされたランク1テンソルモデルを拡張するネスト行列テンソルモデルを提案する。
理論的結果から,提案手法の正確な精度を予測できることが示唆された。
本分析では, モデルパラメータによって, 予期せぬ非自明な相転移現象を呈する。
論文 参考訳(メタデータ) (2023-05-31T16:13:46Z) - Many-body Approximation for Non-negative Tensors [17.336552862741133]
我々は、多体近似と呼ばれる非負のテンソルを分解する別の方法を提案する。
従来の分解法では、表現において低ランクを前提としており、大域的な最適化と目標ランクの選択が困難である。
論文 参考訳(メタデータ) (2022-09-30T09:45:43Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。
ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
論文 参考訳(メタデータ) (2022-01-25T17:13:56Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳(メタデータ) (2021-06-07T17:47:16Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Tesseract: Tensorised Actors for Multi-Agent Reinforcement Learning [92.05556163518999]
MARLは、コミュニケーションと可観測性に様々な制約を課すことによって、問題を悪化させる。
値ベースの手法では、最適な値関数を正確に表現することが課題となる。
政策勾配法では、批判者の訓練を困難にし、遅れる批判者の問題を悪化させる。
学習理論の観点からは、関連するアクション値関数を正確に表現することで、両方の問題に対処できることが示される。
論文 参考訳(メタデータ) (2021-05-31T23:08:05Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z)
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。