論文の概要: The practice of qualitative parameterisation in the development of
Bayesian networks
- arxiv url: http://arxiv.org/abs/2402.12887v1
- Date: Tue, 20 Feb 2024 10:30:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 15:58:30.222679
- Title: The practice of qualitative parameterisation in the development of
Bayesian networks
- Title（参考訳）: ベイズネットワークの発展における質的パラメータ化の実践
- Authors: Steven Mascaro, Owen Woodberry, Yue Wu, Ann E. Nicholson
- Abstract要約: 構造開発は通常、質的な問題とパラメータ化の量的問題に重点を置いている。
最初の構造が開発された後に発生する一般的なステップは、粗いパラメータ化を実行することである。
これはより厳密なパラメータ化の前に行われ、構造が目的に適合することを保証します。
- 参考スコア（独自算出の注目度）: 3.4746204759424715
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The typical phases of Bayesian network (BN) structured development include
specification of purpose and scope, structure development, parameterisation and
validation. Structure development is typically focused on qualitative issues
and parameterisation quantitative issues, however there are qualitative and
quantitative issues that arise in both phases. A common step that occurs after
the initial structure has been developed is to perform a rough parameterisation
that only captures and illustrates the intended qualitative behaviour of the
model. This is done prior to a more rigorous parameterisation, ensuring that
the structure is fit for purpose, as well as supporting later development and
validation. In our collective experience and in discussions with other
modellers, this step is an important part of the development process, but is
under-reported in the literature. Since the practice focuses on qualitative
issues, despite being quantitative in nature, we call this step qualitative
parameterisation and provide an outline of its role in the BN development
process.
- Abstract（参考訳）: ベイジアンネットワーク(BN)構造開発における典型的なフェーズは、目的とスコープの仕様、構造開発、パラメータ化、検証である。
構造発達は通常、質的問題とパラメータ化の量的問題に焦点を当てるが、両方の段階で生じる質的および量的問題が存在する。
最初の構造が開発された後に生じる一般的なステップは、モデルの意図した定性的振る舞いのみをキャプチャし、説明する粗いパラメータ化を実行することである。
これはより厳密なパラメータ化の前に行われ、構造が目的に適合すること、後の開発と検証をサポートすることを保証する。
私たちの経験や他のモデラーとの議論では、このステップは開発プロセスの重要な部分ですが、文献にはほとんど報告されていません。
この実践は質的な問題に重点を置いているため、本ステップを質的なパラメータ化と呼び、BN開発プロセスにおけるその役割の概要を提供する。
関連論文リスト
- ProteinBench: A Holistic Evaluation of Protein Foundation Models [53.59325047872512]
本稿では,タンパク質基盤モデルのための総合評価フレームワークであるProteinBenchを紹介する。
本研究のアプローチは, タンパク質ドメインにおける課題を包括的に包括するタスクの分類学的分類, (ii) 品質, 新規性, 多様性, 堅牢性, および (iii) 様々なユーザ目標から詳細な分析を行い, モデルパフォーマンスの全体的視点を提供する,4つの重要な側面にわたるパフォーマンスを評価するマルチメトリック評価アプローチからなる。
論文 参考訳（メタデータ） (2024-09-10T06:52:33Z) - Multi-Faceted Question Complexity Estimation Targeting Topic Domain-Specificity [0.0]
本稿では,NLP手法と知識グラフ解析を併用した,ドメイン固有の質問難度推定のための新しいフレームワークを提案する。
本稿では,トピック検索コスト,トピック・サリエンス,トピック・コヒーレンス,トピック・スーパーファシリティの4つの主要なパラメータを紹介する。
これらの特徴を訓練したモデルにより,質問の難易度を予測する手法の有効性が示された。
論文 参考訳（メタデータ） (2024-08-23T05:40:35Z) - A Taxonomy of Architecture Options for Foundation Model-based Agents: Analysis and Decision Model [25.78239568393706]
本稿では,基礎モデルに基づくエージェントのアーキテクチャに着目した分類法を提案する。
分類学は,これらの分類を統一し,詳細化することにより,基礎モデルに基づくエージェントの設計を改善することを目的としている。
論文 参考訳（メタデータ） (2024-08-06T03:10:52Z) - Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。
Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。
コントリビューションの中心は、QGround-100Kデータセットの導入です。
論文 参考訳（メタデータ） (2024-07-24T06:42:46Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳（メタデータ） (2024-06-01T08:01:05Z) - Machine learning for structure-guided materials and process design [0.602276990341246]
本稿では, 材料工学におけるプロセス構造-プロパティチェーン全体をカバーする, 総合的, 汎用的な最適化手法を提案する。
本手法では,材料設計問題とプロセス設計問題という2つの重要な識別問題に機械学習を用いて対処する。
本手法は, 模擬金属成形プロセスにおいて, 所望の特性を有する結晶テクスチャの製造において有効であることを示す。
論文 参考訳（メタデータ） (2023-12-22T09:28:30Z) - Guiding Language Model Reasoning with Planning Tokens [122.43639723387516]
大規模言語モデル(LLM)は、最近、複雑な推論タスクを実行する能力に対して、かなりの関心を集めている。
より構造的なチェーン・オブ・シークレット・ステップの創出を促す階層的な生成手法を提案する。
提案手法では、トレーニング可能なパラメータ(0.001%)の無視可能な増加が必要であり、完全な微調整か、よりパラメータ効率の良いスキームで適用することができる。
論文 参考訳（メタデータ） (2023-10-09T13:29:37Z) - Stochastic Deep Koopman Model for Quality Propagation Analysis in
Multistage Manufacturing Systems [1.178566843877027]
本研究では、MMSの複雑な振る舞いをモデル化するための深いクープマン(SDK)フレームワークを紹介する。
本稿では,変分オートエンコーダから抽出した臨界品質情報を伝搬するクープマン演算子の新たな応用法を提案する。
論文 参考訳（メタデータ） (2023-09-18T22:53:17Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳（メタデータ） (2023-06-20T14:21:58Z) - Self-supervised optimization of random material microstructures in the
small-data regime [0.0]
本稿では、プロセス構造と構造-プロパティ結合の不確実性を考慮した、柔軟な、完全に確率的な最適化問題の定式化について述べる。
我々は、計算を高速化し、非微分目標の処理を可能にする構造-プロパティリンクに対して確率論的、データ駆動サロゲートを用いる。
二相ランダムメディアの機械的および熱的特性を最適化する効果を実証するが、その適用性は様々なマイクロ構造に敏感な設計問題を含むと想定する。
論文 参考訳（メタデータ） (2021-08-05T13:25:39Z) - Pros and Cons of GAN Evaluation Measures: New Developments [53.10151901863263]
この作品は、数年前に発表された同じトピックに関する以前の論文の更新です。
モデル評価において重要になっている新しい次元について述べ、GAN評価とディープフェイクの関係について論じる。
論文 参考訳（メタデータ） (2021-03-17T01:48:34Z)
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。