論文の概要: Are Bayesian networks typically faithful?

• arxiv url: http://arxiv.org/abs/2410.16004v2
• Date: Mon, 20 Jan 2025 09:40:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:15:39.903154
• Title: Are Bayesian networks typically faithful?
• Title（参考訳）: ベイジアンネットワークは一般的に忠実か?
• Authors: Philip Boeken, Patrick Forré, Joris M. Mooij,
• Abstract要約: 我々は、与えられたDAG上のすべてのベイズ的ネットワークの中で、忠実なネットワークは確かに典型的であることを示す。 条件付き指数族によってパラメトリされるベイズネットワークのクラスを考える。
• 参考スコア（独自算出の注目度）: 12.27570686178551
• License:
• Abstract: Faithfulness is a ubiquitous assumption in causal inference, often motivated by the fact that the faithful parameters of linear Gaussian and discrete Bayesian networks are typical, and the folklore belief that this should also hold for other classes of Bayesian networks. We address this open question by showing that among all Bayesian networks over a given DAG, the faithful Bayesian networks are indeed `typical': they constitute a dense, open set with respect to the total variation metric. However, this does not imply that faithfulness is typical in restricted classes of Bayesian networks, as are often considered in statistical applications. To this end we consider the class of Bayesian networks parametrised by conditional exponential families, for which we show that under mild regularity conditions, the faithful parameters constitute a dense, open set and the unfaithful parameters have Lebesgue measure zero, extending the existing results for linear Gaussian and discrete Bayesian networks. Finally, we show that the aforementioned results also hold for Bayesian networks with latent variables.
• Abstract（参考訳）: 忠実さは因果推論におけるユビキタスな仮定であり、しばしば線型ガウス的および離散ベイズ的ネットワークの忠実なパラメータが典型的であるという事実によって動機付けられる。 我々は、与えられたDAG上のすべてのベイズ的ネットワークの中で、忠実なベイズ的ネットワークは確かに「典型的」であることを示すことで、このオープンな問題に対処する。 しかしこれは、統計的応用においてしばしば考慮されるように、ベイズネットワークの制限クラスにおいて忠実性が典型的であることを意味するものではない。 この目的のために、条件付き指数族によってパラメトリドされるベイズネットワークのクラスを考えると、穏やかな正則性条件の下で、忠実なパラメータは密で開集合を構成し、不誠実なパラメータはルベーグ測度ゼロであり、線型ガウスおよび離散ベイズネットワークに対する既存の結果を拡張する。 最後に、上記の結果が潜伏変数を持つベイズネットワークにも当てはまることを示す。

関連論文リスト

• Feature learning in finite-width Bayesian deep linear networks with multiple outputs and convolutional layers [39.71511919246829]
  深い線形ネットワークは広く研究されているが、複数の出力と畳み込み層を持つ有限幅アーキテクチャの場合はほとんど知られていない。 我々の研究は、この物理学の直観と用語を厳密なベイズ統計に翻訳する辞書を提供する。
  論文  参考訳（メタデータ） (2024-06-05T13:37:42Z)
• 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)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• 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)
• Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
  パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。 変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2022-04-20T21:25:21Z)
• 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)
• Semiparametric Bayesian Networks [5.205440005969871]
  パラメトリックおよび非パラメトリック条件付き確率分布を組み合わせた半パラメトリックベイズネットワークを提案する。 彼らの目的は、パラメトリックモデルの有界複雑性と非パラメトリックモデルの柔軟性を統合することである。
  論文  参考訳（メタデータ） (2021-09-07T11:47:32Z)
• Reconsidering Dependency Networks from an Information Geometry Perspective [2.6778110563115542]
  依存ネットワークは、多数の変数を含むシステムの潜在的な確率的グラフィカルモデルである。 依存ネットワークの構造は有向グラフで表され、各ノードは条件付き確率テーブルを持つ。 従属ネットワークとベイズネットワークは,学習した分布の精度においてほぼ同じ性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-07-02T07:05:11Z)
• 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。