論文の概要: ION-C: Integration of Overlapping Networks via Constraints

• arxiv url: http://arxiv.org/abs/2411.04243v1
• Date: Wed, 06 Nov 2024 20:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:40:08.258897
• Title: ION-C: Integration of Overlapping Networks via Constraints
• Title（参考訳）: ION-C:制約によるオーバーラップネットワークの統合
• Authors: Praveen Nair, Payal Bhandari, Mohammadsajad Abavisani, Sergey Plis, David Danks,
• Abstract要約: 本稿では,すべての入力グラフに整合した基底トラスDAGの最小同値クラスを,IONと呼ばれる局所的な独立関係を利用して列挙するアルゴリズムを提案する。 ION-Cアルゴリズムは、異なる大きさ、密度、サブグラフ間の重なり合いの度合いでランダムな合成グラフ上で実行された。 実世界のデータ上でION-Cを検証するために、欧州社会調査(ESS)の2回の反復から得られた重なり合うグラフに基づいてアルゴリズムを実行した。
• 参考スコア（独自算出の注目度）: 2.6068919473964893
• License:
• Abstract: In many causal learning problems, variables of interest are often not all measured over the same observations, but are instead distributed across multiple datasets with overlapping variables. Tillman et al. (2008) presented the first algorithm for enumerating the minimal equivalence class of ground-truth DAGs consistent with all input graphs by exploiting local independence relations, called ION. In this paper, this problem is formulated as a more computationally efficient answer set programming (ASP) problem, which we call ION-C, and solved with the ASP system clingo. The ION-C algorithm was run on random synthetic graphs with varying sizes, densities, and degrees of overlap between subgraphs, with overlap having the largest impact on runtime, number of solution graphs, and agreement within the output set. To validate ION-C on real-world data, we ran the algorithm on overlapping graphs learned from data from two successive iterations of the European Social Survey (ESS), using a procedure for conducting joint independence tests to prevent inconsistencies in the input.
• Abstract（参考訳）: 多くの因果学習問題において、興味のある変数は、同じ観測ですべて測定されるのではなく、重なり合う変数を持つ複数のデータセットに分散される。 Tillman et al (2008) は、ION と呼ばれる局所独立関係を利用して全ての入力グラフと整合性を持つ基底トラスDAGの最小同値クラスを列挙する最初のアルゴリズムを提示した。 本稿では、より計算効率のよい解集合プログラミング(ASP)問題として定式化し、これをION-Cと呼び、ASPシステムクリンゴで解いた。 ION-Cアルゴリズムは、異なるサイズ、密度、サブグラフ間の重なり合いの度合いでランダムな合成グラフ上で実行され、オーバーラップは実行時間、解グラフの数、出力セット内の一致に最も大きな影響を与える。 実世界のデータ上でION-Cを検証するため,欧州社会調査(ESS)の2回の反復から得られたデータの重なり合うグラフ上で,入力の不整合を防止するための共同独立テストを実行する手順を用いてアルゴリズムを実行した。

関連論文リスト

• Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies [49.99600569996907]
  観測データに対して仮説化された因果モデルをテストすることは、多くの因果推論タスクにとって重要な前提条件である。 モデルは指数関数的に多くの条件付き独立関係(CI)を仮定できるが、これら全てをテストすることは実用的でなく不必要である。 隠れ変数を持つ因果グラフのc-LMPを導入し、これらのCIを多時間間隔でリストする遅延アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-09-22T21:05:56Z)
• DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
  本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。 DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。 さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
  論文  参考訳（メタデータ） (2024-04-26T05:26:10Z)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
  本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。 本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。 合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-21T18:58:24Z)
• NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
  ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。 この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。 ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
  論文  参考訳（メタデータ） (2022-02-23T02:03:35Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Acceleration in Distributed Optimization Under Similarity [72.54787082152278]
  集中ノードを持たないエージェントネットワーク上での分散(強い凸)最適化問題について検討する。 $varepsilon$-solutionは$tildemathcalrhoObig(sqrtfracbeta/mu (1-)log1/varepsilonbig)$通信ステップ数で達成される。 この速度は、関心のクラスに適用される分散ゴシップ-アルゴリズムの、初めて(ポリログ因子まで)より低い複雑性の通信境界と一致する。
  論文  参考訳（メタデータ） (2021-10-24T04:03:00Z)
• A Single Iterative Step for Anytime Causal Discovery [7.570246812206772]
  観測された非介入データから因果グラフを回復するための健全で完全なアルゴリズムを提示する。 我々は因果マルコフと忠実性仮定に依存し、基礎となる因果グラフの同値クラスを回復する。 提案アルゴリズムでは,FCIアルゴリズムと比較して,CIテストと条件セットの大幅な削減が要求される。
  論文  参考訳（メタデータ） (2020-12-14T13:46:01Z)
• Exploiting non-i.i.d. data towards more robust machine learning algorithms [0.0]
  機械学習アルゴリズムは、データからパターンや相関を見つけるのに優れていることがますます示されている。 本稿では,普遍因果関係を優先する正規化方式を提案する。 従来のl-正規化に対して、分配外試験セットでより良い性能が得られる。
  論文  参考訳（メタデータ） (2020-10-07T14:15:37Z)

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。