Fugu-MT 論文翻訳(概要): Lifting Factor Graphs with Some Unknown Factors

論文の概要: Lifting Factor Graphs with Some Unknown Factors

arxiv url: http://arxiv.org/abs/2406.01275v1
Date: Mon, 3 Jun 2024 12:44:55 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 01:09:07.017321
Title: Lifting Factor Graphs with Some Unknown Factors
Title（参考訳）: 未知の因子を持つリフティング係数グラフ
Authors: Malte Luttermann, Ralf Möller, Marcel Gehrke,
Abstract要約: liftingは、確率的グラフィカルモデルにおける対称性を、識別不能なオブジェクトの代用として利用する。本稿では,未知の因子を含む因子グラフの対称部分グラフを識別するLIFAGUアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 3.1045268505532566
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Lifting exploits symmetries in probabilistic graphical models by using a representative for indistinguishable objects, allowing to carry out query answering more efficiently while maintaining exact answers. In this paper, we investigate how lifting enables us to perform probabilistic inference for factor graphs containing factors whose potentials are unknown. We introduce the Lifting Factor Graphs with Some Unknown Factors (LIFAGU) algorithm to identify symmetric subgraphs in a factor graph containing unknown factors, thereby enabling the transfer of known potentials to unknown potentials to ensure a well-defined semantics and allow for (lifted) probabilistic inference.
Abstract（参考訳）: リフティングは確率的グラフィカルモデルにおいて、識別不能なオブジェクトの代用体を用いて対称性を利用しており、正確な答えを維持しながらより効率的にクエリ応答を実行することができる。本稿では,ポテンシャルが不明な因子を含む因子グラフに対して,昇降法によって確率的推論を行う方法について検討する。本稿では,未知の因子を含む因子グラフの対称部分グラフを同定するLIFAGU (Lifting Factor Graphs with Some Unknown Factors) アルゴリズムを提案する。

関連論文リスト

Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs [4.647149336191891]
部分有向グラフにおける因果推論に対して昇降が適用可能であることを示す。本研究では,部分有向因果係数グラフにおいて,因果推論が昇降レベルでどのように行われるかを示す。
論文参考訳（メタデータ） (2024-11-11T14:05:39Z)
Identifiability Guarantees for Causal Disentanglement from Purely Observational Data [10.482728002416348]
因果解離は、データの背後にある潜在因果関係について学ぶことを目的としている。近年の進歩は、(単一の)潜伏因子への介入が可能であると仮定して、識別可能性(identifiability)が確立されている。非線形因果モデルで同定できる潜伏因子の高精度な評価法を提案する。
論文参考訳（メタデータ） (2024-10-31T04:18:29Z)
Lifted Causal Inference in Relational Domains [5.170468311431656]
関係領域における因果効果を効率的に計算するために,昇降法が適用可能であることを示す。本稿では,昇降レベルの因果効果を計算するために,昇降因果推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-15T10:44:27Z)
Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文参考訳（メタデータ） (2024-01-10T02:38:21Z)
Expectation-Complete Graph Representations with Homomorphisms [5.939858158928473]
私たちは、資源の増加とともに任意に表現される効率的な代替手段に興味を持っています。我々のアプローチは、同型数の無限次元ベクトルによるグラフ同型の特徴付けに基づく。
論文参考訳（メタデータ） (2023-06-09T12:12:07Z)
From axioms over graphs to vectors, and back again: evaluating the properties of graph-based ontology embeddings [78.217418197549]
埋め込みを生成するアプローチの1つは、名前付きエンティティと論理公理構造のためのノードとエッジのセットを導入することである。グラフに埋め込む方法(グラフ射影)は、それらが利用する公理の種類と異なる性質を持つ。
論文参考訳（メタデータ） (2023-03-29T08:21:49Z)
Reachability analysis in stochastic directed graphs by reinforcement learning [67.87998628083218]
マルコフグラフにおける遷移確率のダイナミクスは差分包摂によってモデル化できることを示す。我々は、ノードの集合の到達可能性確率の上限と下限を提供するために、報酬関数を設計する方法論を提供する。
論文参考訳（メタデータ） (2022-02-25T08:20:43Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文参考訳（メタデータ） (2021-07-21T14:22:14Z)
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。