論文の概要: Speeding up approximate MAP by applying domain knowledge about relevant variables

• arxiv url: http://arxiv.org/abs/2412.09264v1
• Date: Thu, 12 Dec 2024 13:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:32:58.033869
• Title: Speeding up approximate MAP by applying domain knowledge about relevant variables
• Title（参考訳）: 関係変数に関するドメイン知識の適用による近似MAPの高速化
• Authors: Johan Kwisthout, Andrew Schroeder,
• Abstract要約: 特定のクエリにどの変数が関係しているかの知識は、正確なMAPと近似MAPの両方を打ち負かすのに十分速くなることを示す。 我々の結果は決定的ではないが、おそらくMAPクエリの特異性、特にMAP変数の数に依存していることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The MAP problem in Bayesian networks is notoriously intractable, even when approximated. In an earlier paper we introduced the Most Frugal Explanation heuristic approach to solving MAP, by partitioning the set of intermediate variables (neither observed nor part of the MAP variables) into a set of relevant variables, which are marginalized out, and irrelevant variables, which will be assigned a sampled value from their domain. In this study we explore whether knowledge about which variables are relevant for a particular query (i.e., domain knowledge) speeds up computation sufficiently to beat both exact MAP as well as approximate MAP while giving reasonably accurate results. Our results are inconclusive, but also show that this probably depends on the specifics of the MAP query, most prominently the number of MAP variables.
• Abstract（参考訳）: ベイジアンネットワークにおけるMAP問題は、近似しても難解である。 先程の論文では、MAPを解くための最もフルーガルな説明ヒューリスティックなアプローチとして、中間変数(MAP変数の一部も観測されていない)の集合を、その領域からサンプル値が割り当てられる無関係変数の集合に分割して導入した。 本研究では、特定のクエリ(ドメイン知識)にどの変数が関係しているかの知識が計算を十分に高速化し、正確なMAPと近似MAPの両方を打ち負かすとともに、合理的に正確な結果を与えるかどうかを考察する。 我々の結果は決定的ではないが、おそらくMAPクエリの特異性、特にMAP変数の数に依存していることを示している。

関連論文リスト

• Semi-supervised Learning of Pushforwards For Domain Translation & Adaptation [3.800498098285222]
  関連するデータ空間に2つの確率密度が与えられると、1つの密度をもう1つの密度にプッシュする写像を求める。 広いアプリケーション領域にユーティリティを持つマップには、サンプル外のデータポイントに適用するためのマップが必要です。 本稿では,正規化フローを利用して地図をパラメータ化する新しいプッシュフォワードマップ学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-18T00:35:32Z)
• Gaussian process regression and conditional Karhunen-Lo\'{e}ve models for data assimilation in inverse problems [68.8204255655161]
  偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。 CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
  論文  参考訳（メタデータ） (2023-01-26T18:14:12Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• A Bayesian Framework for Information-Theoretic Probing [51.98576673620385]
  我々は、探索は相互情報を近似するものとみなすべきであると論じる。 これは、表現が元の文とターゲットタスクに関する全く同じ情報をエンコードしているというかなり直感的な結論を導いた。 本稿では,ベイズ的相互情報(Bayesian mutual information)と呼ぶものを測定するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-08T18:08:36Z)
• Causal Order Identification to Address Confounding: Binary Variables [4.56877715768796]
  本稿では,線形非ガウス非巡回モデル(LiNGAM)の拡張について考察する。 LiNGAMは、変数が雑音を含む一連の線形方程式で表されるとき、データセットから変数間の因果順序を決定する。
  論文  参考訳（メタデータ） (2021-08-10T22:09:43Z)
• Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
  深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。 可変スキップは、10-100$timesの効率向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-07-10T19:01:40Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• MAP segmentation in Bayesian hidden Markov models: a case study [0.0]
  有限状態および有限発光アルファベット隠蔽マルコフモデル(HMM)の最大後続確率(MAP)状態列を推定する問題を考える。 本論文の主な目的は,HMMのパラメータをトレーニングデータを用いて推定し,ベイズ的な設定を頻繁な設定と比較することである。
  論文  参考訳（メタデータ） (2020-04-17T16:42:18Z)
• Approximate MMAP by Marginal Search [78.50747042819503]
  本稿では,グラフィカルモデルにおける最小値MAPクエリの戦略を提案する。 提案した信頼度尺度は,アルゴリズムが正確であるインスタンスを適切に検出するものである。 十分に高い信頼度を得るために、アルゴリズムは正確な解を与えるか、正確な解からハミング距離が小さい近似を与える。
  論文  参考訳（メタデータ） (2020-02-12T07:41:13Z)
• LP-SparseMAP: Differentiable Relaxed Optimization for Sparse Structured Prediction [20.204147875108976]
  スパースMAPは、最大アフターリ(MAP)と限界推論に代わる、微分可能でスパースな代替品である。 LP-SparseMAPはフレキシブルで強力な因子グラフのドメイン固有言語を使用して、任意の隠れ構造を定義およびバックプロパゲートする。 LP-SparseMAPを隠蔽層や出力層として使用するのに必要な前方および後方アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-01-13T18:16:13Z)

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。