論文の概要: Scaling up Dynamic Edge Partition Models via Stochastic Gradient MCMC

• arxiv url: http://arxiv.org/abs/2403.00044v1
• Date: Thu, 29 Feb 2024 15:19:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 19:13:05.921335
• Title: Scaling up Dynamic Edge Partition Models via Stochastic Gradient MCMC
• Title（参考訳）: 確率勾配MCMCによる動的エッジ分割モデルのスケールアップ
• Authors: Sikun Yang, Heinz Koeppl
• Abstract要約: エッジ分割モデル (EPM) は静的グラフ構造データから重なり合うコミュニティ構造を抽出する生成モデルである。 多くの魅力的な性質があるにもかかわらず、EMMの推論は通常、マルコフ連鎖モンテカルロ (MCMC) 法を用いて行われ、大規模なネットワークデータに適用されないようにしている。
• 参考スコア（独自算出の注目度）: 33.08344607564694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The edge partition model (EPM) is a generative model for extracting an overlapping community structure from static graph-structured data. In the EPM, the gamma process (GaP) prior is adopted to infer the appropriate number of latent communities, and each vertex is endowed with a gamma distributed positive memberships vector. Despite having many attractive properties, inference in the EPM is typically performed using Markov chain Monte Carlo (MCMC) methods that prevent it from being applied to massive network data. In this paper, we generalize the EPM to account for dynamic enviroment by representing each vertex with a positive memberships vector constructed using Dirichlet prior specification, and capturing the time-evolving behaviour of vertices via a Dirichlet Markov chain construction. A simple-to-implement Gibbs sampler is proposed to perform posterior computation using Negative- Binomial augmentation technique. For large network data, we propose a stochastic gradient Markov chain Monte Carlo (SG-MCMC) algorithm for scalable inference in the proposed model. The experimental results show that the novel methods achieve competitive performance in terms of link prediction, while being much faster.
• Abstract（参考訳）: エッジパーティションモデル(epm)は、静的グラフ構造データから重複するコミュニティ構造を抽出するための生成モデルである。 EPMでは、ガンマ過程(GaP)が適切な数の潜在コミュニティを推定するために採用され、各頂点にはガンマ分布正のメンバシップベクトルが与えられる。 多くの魅力的な特性があるにもかかわらず、epmの推論は一般にマルコフ連鎖モンテカルロ(mcmc)法を用いて行われ、大量のネットワークデータに適用できないようにする。 本稿では,各頂点をディリクレ事前仕様を用いて構築した正のメンバシップベクトルで表現し,ディリクレマルコフ連鎖構造を用いて頂点の時間進化挙動を捉えることにより,動的環境を考慮したEPMを一般化する。 単純実装ギブスサンプリング器を提案し, 負二項増分法を用いて後続計算を行った。 大規模ネットワークデータに対して,提案モデルにおける拡張性推論のための確率勾配チェインモンテカルロ(SG-MCMC)アルゴリズムを提案する。 実験の結果,新しい手法はリンク予測の点で競争性能を向上し,より高速であることがわかった。

関連論文リスト

• Object based Bayesian full-waveform inversion for shear elastography [0.0]
  組織中の異常画像のせん断エラストグラフィーにおける不確かさを定量化する計算手法を開発した。 パラメータフィールドの後方確率は異常の幾何とそのせん断率を表わす。 滑らかで不規則な形状の合成2次元試験に対するアプローチを実証する。
  論文  参考訳（メタデータ） (2023-05-11T08:25:25Z)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Sampling Approximately Low-Rank Ising Models: MCMC meets Variational Methods [35.24886589614034]
  一般相互作用が$J$である超キューブ上の二次定値イジングモデルを考える。 我々の一般的な結果は、低ランクのIsingモデルに対する最初のサンプリングアルゴリズムを示唆している。
  論文  参考訳（メタデータ） (2022-02-17T21:43:50Z)
• Structured Stochastic Gradient MCMC [20.68905354115655]
  近似した後方関数形式を仮定しない新しい非パラメトリック変分近似を提案する。 完全なSGMCMCよりも優れた予測可能性と有効試料サイズが得られる。
  論文  参考訳（メタデータ） (2021-07-19T17:18:10Z)
• 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)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• An adaptive Hessian approximated stochastic gradient MCMC method [12.93317525451798]
  後方からのサンプリング中に局所的幾何情報を組み込む適応型ヘッセン近似勾配MCMC法を提案する。 我々は,ネットワークの空間性を高めるために,等級に基づく重み付け法を採用する。
  論文  参考訳（メタデータ） (2020-10-03T16:22:15Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)
• 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。