論文の概要: Estimation of partially known Gaussian graphical models with score-based structural priors

• arxiv url: http://arxiv.org/abs/2401.14340v1
• Date: Thu, 25 Jan 2024 17:39:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 13:41:53.922073
• Title: Estimation of partially known Gaussian graphical models with score-based structural priors
• Title（参考訳）: スコアに基づく構造的事前値を用いたガウス図形モデルの推定
• Authors: Mart\'in Sevilla, Antonio Garc\'ia Marques, Santiago Segarra
• Abstract要約: グラフの先行を考慮し、後部分布からサンプルを生成するためにランゲヴィン拡散に依存する。 基礎となるグラフのスコア関数には,Langevinサンプルが前もってアクセスする必要があるため,グラフニューラルネットワークを用いてグラフデータセットからスコアを効果的に推定する。
• 参考スコア（独自算出の注目度）: 26.6418345185993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel algorithm for the support estimation of partially known Gaussian graphical models that incorporates prior information about the underlying graph. In contrast to classical approaches that provide a point estimate based on a maximum likelihood or a maximum a posteriori criterion using (simple) priors on the precision matrix, we consider a prior on the graph and rely on annealed Langevin diffusion to generate samples from the posterior distribution. Since the Langevin sampler requires access to the score function of the underlying graph prior, we use graph neural networks to effectively estimate the score from a graph dataset (either available beforehand or generated from a known distribution). Numerical experiments demonstrate the benefits of our approach.
• Abstract（参考訳）: 本稿では,基礎となるグラフに関する事前情報を含む部分既知のガウス図形モデルの支持推定のための新しいアルゴリズムを提案する。 精度行列上の(単純)先行値を用いた最大極大あるいは最大後値基準に基づく点推定を提供する古典的アプローチとは対照的に、我々はグラフの先行を考慮し、後続分布からサンプルを生成するためにアニールランゲイン拡散に依存する。 Langevinサンプルは、基礎となるグラフのスコア関数にアクセスする必要があるため、グラフニューラルネットワークを使用して、グラフデータセットからスコアを効果的に推定する(事前に利用できるか、既知の分布から生成されるか)。 数値実験は我々のアプローチの利点を実証する。

関連論文リスト

• Deep Generative Models for Subgraph Prediction [10.56335881963895]
  本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。 サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。 我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
  論文  参考訳（メタデータ） (2024-08-07T19:24:02Z)
• Graph Neural Networks with a Distribution of Parametrized Graphs [27.40566674759208]
  複数のグラフをパラメータ化して生成するために潜在変数を導入する。 予測最大化フレームワークにおいて,ネットワークパラメータの最大推定値を得る。
  論文  参考訳（メタデータ） (2023-10-25T06:38:24Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Deep Neural Matching Models for Graph Retrieval [0.0]
  我々は、グラフマッチングとグラフのコーパスからの類似グラフの検索のためのニューラルネットワークベースのアプローチに焦点を当てる。 2つのグラフ間の類似性をソフトに予測する方法について検討する。
  論文  参考訳（メタデータ） (2021-10-03T05:34:46Z)
• Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
  D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。 モデルのパラメータは期待最大化手順によって反復的に推定される。
  論文  参考訳（メタデータ） (2021-06-16T18:00:02Z)
• Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
  グラフ生成モデルはグラフ上の分布を定義する。 グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。 我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
  論文  参考訳（メタデータ） (2021-06-11T06:37:52Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。