論文の概要: Nonparametric Bayesian networks are typically faithful in the total variation metric

• arxiv url: http://arxiv.org/abs/2410.16004v1
• Date: Mon, 21 Oct 2024 13:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:05.889702
• Title: Nonparametric Bayesian networks are typically faithful in the total variation metric
• Title（参考訳）: 非パラメトリックベイズネットワークは典型的には全変量に忠実である
• Authors: Philip Boeken, Patrick Forré, Joris M. Mooij,
• Abstract要約: 与えられたDAG$G$に対して、任意の結果空間を持つベイズネットワークのすべての観測的分布のうち、忠実な分布は典型的であることを示す。 その結果、忠実な分布の集合は空でなく、不誠実な分布は濃密ではない。
• 参考スコア（独自算出の注目度）: 12.27570686178551
• License:
• Abstract: We show that for a given DAG $G$, among all observational distributions of Bayesian networks over $G$ with arbitrary outcome spaces, the faithful distributions are `typical': they constitute a dense, open set with respect to the total variation metric. As a consequence, the set of faithful distributions is non-empty, and the unfaithful distributions are nowhere dense. We extend this result to the space of Bayesian networks, where the properties hold for Bayesian networks instead of distributions of Bayesian networks. As special cases, we show that these results also hold for the faithful parameters of the subclasses of linear Gaussian -- and discrete Bayesian networks, giving a topological analogue of the measure-zero results of Spirtes et al. (1993) and Meek (1995). Finally, we extend our topological results and the measure-zero results of Spirtes et al. and Meek to Bayesian networks with latent variables.
• Abstract（参考訳）: 与えられたDAG$G$に対して、任意の結果空間を持つベイズネットワークのすべての観測的分布のうち、忠実な分布は「典型的」であり、それらは全変量に関して密接な開集合を構成する。 その結果、忠実な分布の集合は空でなく、不誠実な分布は濃密ではない。 この結果をベイジアンネットワークの空間に拡張し、ベイジアンネットワークの分布の代わりにベイジアンネットワークのプロパティを保持する。 特別の場合として、これらの結果は線型ガウスおよび離散ベイズネットワークのサブクラスの忠実なパラメータにも当てはまり、Spirtes et al (1993) と Meek (1995) の測度ゼロの結果の位相的類似性を与える。 最後に、このトポロジカルな結果と、Spirtes et al と Meek の測度ゼロの結果を、潜伏変数を持つベイズネットワークに拡張する。

関連論文リスト

• A Note on Bayesian Networks with Latent Root Variables [56.86503578982023]
  残りの, 証明, 変数に対する限界分布もまたベイズ的ネットワークとして分解され, 経験的と呼ぶ。 マニフェスト変数の観測のデータセットにより、経験的ベイズネットのパラメータを定量化することができる。
  論文  参考訳（メタデータ） (2024-02-26T23:53:34Z)
• Wide Deep Neural Networks with Gaussian Weights are Very Close to Gaussian Processes [1.0878040851638]
  ネットワーク出力と対応するガウス近似との距離は、ネットワークの幅と逆向きにスケールし、中心極限定理によって提案されるネーブよりも高速な収束を示すことを示す。 また、(有限)トレーニングセットで評価されたネットワーク出力の有界リプシッツ関数である場合、ネットワークの正確な後部分布の理論的近似を求めるために境界を適用した。
  論文  参考訳（メタデータ） (2023-12-18T22:29:40Z)
• Numerically assisted determination of local models in network scenarios [55.2480439325792]
  統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。 グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。 開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
  論文  参考訳（メタデータ） (2023-03-17T13:24:04Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Uncertainty Reasoning for Probabilistic Petri Nets via Bayesian Networks [1.471992435706872]
  我々は、ペトリネット上の不確実性推論のために拡張ベイズネットワークを利用する。 特にベイズネットワークは確率分布の記号表現として用いられる。 モジュラーベイズネットから情報を引き出す方法を示す。
  論文  参考訳（メタデータ） (2020-09-30T17:40:54Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。