論文の概要: Maximum likelihood thresholds of Gaussian graphical models and graphical lasso

• arxiv url: http://arxiv.org/abs/2312.03145v1
• Date: Tue, 5 Dec 2023 21:29:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 16:37:44.440441
• Title: Maximum likelihood thresholds of Gaussian graphical models and graphical lasso
• Title（参考訳）: ガウス図形モデルとグラフラッソの最大精度しきい値
• Authors: Daniel Irving Bernstein and Hayden Outlaw
• Abstract要約: グラフの最大値閾値は、対応するグラフィカルモデルに適合するために必要なデータポイントの最小値である。 このプロジェクトでは、グラフィカルラッソを用いて n 個のデータポイント上のグラフィカルモデルを選択して適合させる場合、n が対応するグラフの最大最大しきい値より大きいか等しいか?
• 参考スコア（独自算出の注目度）: 0.195804735329484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Associated to each graph G is a Gaussian graphical model. Such models are often used in high-dimensional settings, i.e. where there are relatively few data points compared to the number of variables. The maximum likelihood threshold of a graph is the minimum number of data points required to fit the corresponding graphical model using maximum likelihood estimation. Graphical lasso is a method for selecting and fitting a graphical model. In this project, we ask: when graphical lasso is used to select and fit a graphical model on n data points, how likely is it that n is greater than or equal to the maximum likelihood threshold of the corresponding graph? Our results are a series of computational experiments.
• Abstract（参考訳）: 各グラフ G に関連するものはガウス図形モデルである。 このようなモデルは高次元の設定、すなわち変数の数に比べてデータポイントが比較的少ない場合にしばしば使用される。 グラフの最大値閾値は、最大値推定を用いて対応するグラフィカルモデルに適合するために必要なデータポイントの最小値である。 グラフィカルラッソ(Graphical lasso)は、グラフィカルモデルを選択して適合させる方法である。 このプロジェクトでは、グラフィカルラッソがnのデータポイントにグラフィカルモデルの選択と適合に使用されるとき、nが対応するグラフの最大許容しきい値以上である確率はどれくらいか? 我々の結果は一連の計算実験である。

関連論文リスト

• Graph Similarity Regularized Softmax for Semi-Supervised Node Classification [33.297649538686045]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ用に設計された強力なディープラーニングモデルである。 半教師付きノード分類におけるGNNに対するグラフ類似性正規化ソフトマックスを提案する。
  論文  参考訳（メタデータ） (2024-09-20T14:38:16Z)
• Neural Scaling Laws on Graphs [54.435688297561015]
  モデルおよびデータの観点から,グラフ上のニューラルスケーリング法則について検討する。 モデルスケーリングでは,スケール法が崩壊する現象を調査し,オーバーフィッティングを潜在的な理由として同定する。 データスケーリングについては、グラフのサイズが極めて不規則であるため、スケーリング法則においてグラフデータのボリュームを効果的に測定することはできないことを示唆する。
  論文  参考訳（メタデータ） (2024-02-03T06:17:21Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Scaling R-GCN Training with Graph Summarization [71.06855946732296]
  リレーショナルグラフ畳み込みネットワーク(R-GCN)のトレーニングは、グラフのサイズに合わない。 本研究では,グラフの要約手法を用いてグラフを圧縮する実験を行った。 AIFB, MUTAG, AMデータセットについて妥当な結果を得た。
  論文  参考訳（メタデータ） (2022-03-05T00:28:43Z)
• Graphon-aided Joint Estimation of Multiple Graphs [24.077455621015552]
  観測結果から複数のネットワークのトポロジを推定する問題を考察する。 これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
  論文  参考訳（メタデータ） (2022-02-11T15:20:44Z)
• Adaptive Gaussian Processes on Graphs via Spectral Graph Wavelets [3.2498534294827044]
  本稿では,異なるスケールで情報を集約できるスペクトルグラフウェーブレットを用いたプロセスモデルを提案する。 グラフスペクトルの高密度領域における低近似誤差を求めるフィルタ関数のスペクトル適応近似を用いて,より大きなグラフに対するスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2021-10-25T09:25:04Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Graph Coding for Model Selection and Anomaly Detection in Gaussian Graphical Models [2.752817022620644]
  ガウス図形モデルにおけるデータ解析のための記述長を拡張する。 本手法は,モデルの複雑さを正確に説明するために普遍的なグラフ符号化法を用いる。 実験により,本手法は一般的に用いられる手法と比較して優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-02-04T06:13:52Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。