論文の概要: A Discrete Perspective Towards the Construction of Sparse Probabilistic Boolean Networks
- arxiv url: http://arxiv.org/abs/2407.11543v1
- Date: Tue, 16 Jul 2024 09:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 15:42:36.539631
- Title: A Discrete Perspective Towards the Construction of Sparse Probabilistic Boolean Networks
- Title(参考訳): スパース確率的ブールネットワーク構築に向けた離散的展望
- Authors: Christopher H. Fok, Chi-Wing Wong, Wai-Ki Ching,
- Abstract要約: スパースPBNを構築するための新しいGreedy Entry removal (GER)アルゴリズムを提案する。
GERは最先端のスパースPBN構築アルゴリズムの中で最高の性能を提供する。
- 参考スコア(独自算出の注目度): 3.807361298718093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Boolean Network (BN) and its extension Probabilistic Boolean Network (PBN) are popular mathematical models for studying genetic regulatory networks. BNs and PBNs are also applied to model manufacturing systems, financial risk and healthcare service systems. In this paper, we propose a novel Greedy Entry Removal (GER) algorithm for constructing sparse PBNs. We derive theoretical upper bounds for both existing algorithms and the GER algorithm. Furthermore, we are the first to study the lower bound problem of the construction of sparse PBNs, and to derive a series of related theoretical results. In our numerical experiments based on both synthetic and practical data, GER gives the best performance among state-of-the-art sparse PBN construction algorithms and outputs sparsest possible decompositions on most of the transition probability matrices being tested.
- Abstract(参考訳): ブールネットワーク(英語版)(BN)とその拡張確率ブールネットワーク(英語版)(PBN)は遺伝制御ネットワークを研究するための一般的な数学的モデルである。
BNとPBNは、製造業のモデルシステム、金融リスク、医療サービスシステムにも適用されている。
本稿では,スパースPBNを構築するための新しいGreedy Entry removal (GER)アルゴリズムを提案する。
既存のアルゴリズムとGERアルゴリズムの両方に対して理論上界を導出する。
さらに、スパースPBNの構築における下界問題を初めて研究し、関連する理論結果のシリーズを導出する。
合成データと実用データの両方に基づく数値実験では、GERは最先端のスパースPBN構築アルゴリズムの中で最高の性能を示し、テスト中の遷移確率行列のほとんどで可能な限りの分解を出力する。
関連論文リスト
- Improving Tree Probability Estimation with Stochastic Optimization and Variance Reduction [11.417249588622926]
サブスプリットベイズネットワーク(SBN)は木確率推定のための強力な確率的グラフィカルモデルを提供する。
現在、SBNパラメータの学習に使われている期待値(EM)法は、大きなデータセットまでスケールしない。
本稿では,SBNを学習するための計算効率のよい方法をいくつか紹介し,分散化が性能向上の鍵となることを示す。
論文 参考訳(メタデータ) (2024-09-09T02:22:52Z) - Entropy and the Kullback-Leibler Divergence for Bayesian Networks:
Computational Complexity and Efficient Implementation [0.0]
我々は、最も一般的な分布仮定の下で、シャノンのエントロピーと BN に対するクルバック・リーバーの発散を計算する方法を示す。
ガウス BN に対して、KL の計算複雑性を立方体から二次体に還元できることが示されている。
論文 参考訳(メタデータ) (2023-11-29T15:51:04Z) - Testing Sparsity Assumptions in Bayesian Networks [0.0]
本稿では、BN が 1 より大きい次数で最大値を持つかどうかを判断するために用いられる仮説テストの特性と偏りの過程について述べる。
この仮説を用いて適切な構造探索アルゴリズムを選択するのに役立つ線形BN構造探索ワークフローを提案する。
論文 参考訳(メタデータ) (2023-07-12T18:46:22Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳(メタデータ) (2022-08-08T03:13:24Z) - Using the Projected Belief Network at High Dimensions [13.554038901140949]
射影信頼ネットワーク (PBN) は層状生成ネットワーク (LGN) である。
音響事象の高次元スペクトログラムの分類と自動符号化に識別整列PBNを適用した。
論文 参考訳(メタデータ) (2022-04-25T19:54:52Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳(メタデータ) (2021-12-13T17:35:54Z) - Improved Acyclicity Reasoning for Bayesian Network Structure Learning
with Constraint Programming [0.0]
離散データからベイズネットワーク(BNSL)の構造を学習することはNPハードタスクであることが知られている。
本研究では,可能なクラスタカットのサブセットを発見するための新しい時間アルゴリズムを提案する。
最適ではないにもかかわらず、性能は桁違いに向上することを示す。
結果として得られる解法は、BNSL問題に対する最先端の解法である GOBNILP と好意的に比較できる。
論文 参考訳(メタデータ) (2021-06-23T09:46:11Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳(メタデータ) (2021-06-09T08:05:36Z) - Improved Branch and Bound for Neural Network Verification via Lagrangian
Decomposition [161.09660864941603]
ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。
活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。
BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
論文 参考訳(メタデータ) (2021-04-14T09:22:42Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Probabilistic Generating Circuits [50.98473654244851]
効率的な表現のための確率的生成回路(PGC)を提案する。
PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。
我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
論文 参考訳(メタデータ) (2021-02-19T07:06:53Z)
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。