論文の概要: Interaction Screening and Pseudolikelihood Approaches for Tensor Learning in Ising Models
- arxiv url: http://arxiv.org/abs/2310.13232v2
- Date: Wed, 31 Jul 2024 07:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 20:35:03.631319
- 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相互作用スクリーニングと擬似的アプローチ
- Authors: Tianyu Liu, 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): 7.298865011539767
- 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. We then provide a comparative discussion of the performance of the two approaches based on simulation studies, which also demonstrates the exponential dependence of the tensor recovery rate on the maximum coupling strength. Our tensor recovery methods are then applied on gene data taken from the Curated Microarray Database (CuMiDa), where we focus on understanding the important genes related to hepatocellular carcinoma.
- Abstract(参考訳): 本稿では,Ising構造学習の2つのよく知られた手法,すなわち擬似類似性アプローチと相互作用スクリーニング手法について,k$-spin Isingモデルにおけるテンソル回復の文脈で検討する。
両手法とも、適切な正規化により、ネットワークノード数のサンプルサイズ対数を用いて、基盤となるハイパーネットワーク構造を復元し、最大相互作用強度と最大ノード度を指数関数化することを示した。
また、相互作用順序の$k$に対するテンソルリカバリの率の正確な依存性も追跡する。
次に、シミュレーション研究に基づく2つの手法の性能の比較検討を行い、最大結合強度に対するテンソル回収率の指数的依存性を示す。
このテンソル回収法はCuMiDa(CuMiDa)から得られた遺伝子データに応用され,肝細胞癌に関連する重要な遺伝子を理解することに重点を置いている。
関連論文リスト
- Compositional Curvature Bounds for Deep Neural Networks [7.373617024876726]
安全クリティカルなアプリケーションにおけるニューラルネットワークの普及を脅かす重要な課題は、敵の攻撃に対する脆弱性である。
本研究では, 連続的に微分可能な深層ニューラルネットワークの2次挙動について検討し, 対向摂動に対する堅牢性に着目した。
ニューラルネットワークの第2微分の証明可能な上界を解析的に計算する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-07T17:50:15Z) - Performance Gaps in Multi-view Clustering under the Nested Matrix-Tensor
Model [7.4968526280735945]
最近導入されたネストマトリクス・テンソルモデルに隠された植込み信号の推定について検討した。
ここではテンソルベースアプローチとトラクタブルアプローチのパフォーマンスギャップを定量化する。
論文 参考訳(メタデータ) (2024-02-16T13:31:43Z) - Alteration Detection of Tensor Dependence Structure via
Sparsity-Exploited Reranking Algorithm [3.7363073304294336]
一般に採用されているテンソル正規分布の下で問題を定式化し、2サンプル相関/部分相関比較を目指す。
本稿では,複数のテスト効率を改善するために,新しいSERA(Sprsity-Exploited Re rank Algorithm)を提案する。
提案手法の特性は導出され,アルゴリズムは事前に特定されたレベルでの誤発見を制御する。
論文 参考訳(メタデータ) (2023-10-13T01:04:22Z) - A Nested Matrix-Tensor Model for Noisy Multi-view Clustering [5.132856740094742]
次数3のスパイクされたランク1テンソルモデルを拡張するネスト行列テンソルモデルを提案する。
理論的結果から,提案手法の正確な精度を予測できることが示唆された。
本分析では, モデルパラメータによって, 予期せぬ非自明な相転移現象を呈する。
論文 参考訳(メタデータ) (2023-05-31T16:13:46Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。
ダイナミックスに付随する$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。