論文の概要: Benchmarking Constraint-Based Bayesian Structure Learning Algorithms: Role of Network Topology
- arxiv url: http://arxiv.org/abs/2501.02019v1
- Date: Thu, 02 Jan 2025 15:47:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:08:04.911363
- Title: Benchmarking Constraint-Based Bayesian Structure Learning Algorithms: Role of Network Topology
- Title（参考訳）: 制約に基づくベイズ構造学習アルゴリズムのベンチマーク:ネットワークトポロジの役割
- Authors: Radha Nagarajan, Marco Scutari,
- Abstract要約: 本研究では,ノード,エッジ,サンプルサイズを同一に制約しながら,異なるネットワークトポロジ間の感度の変化について検討する。
この結果は、制約ベースのBSLベンチマーク演習におけるネットワークトポロジの調整の重要性を解明するものである。
- 参考スコア（独自算出の注目度）: 0.3069335774032178
- License:
- Abstract: Modeling the associations between real world entities from their multivariate cross-sectional profiles can provide cues into the concerted working of these entities as a system. Several techniques have been proposed for deciphering these associations including constraint-based Bayesian structure learning (BSL) algorithms that model them as directed acyclic graphs. Benchmarking these algorithms have typically focused on assessing the variation in performance measures such as sensitivity as a function of the dimensionality represented by the number of nodes in the DAG, and sample size. The present study elucidates the importance of network topology in benchmarking exercises. More specifically, it investigates variations in sensitivity across distinct network topologies while constraining the nodes, edges, and sample-size to be identical, eliminating these as potential confounders. Sensitivity of three popular constraint-based BSL algorithms (Peter-Clarke, Grow-Shrink, Incremental Association Markov Blanket) in learning the network structure from multivariate cross-sectional profiles sampled from network models with sub-linear, linear, and super-linear DAG topologies generated using preferential attachment is investigated. Results across linear and nonlinear models revealed statistically significant $(\alpha=0.05)$ decrease in sensitivity estimates from sub-linear to super-linear topology constitutively across the three algorithms. These results are demonstrated on networks with nodes $(N_{nods}=48,64)$, noise strengths $(\sigma =3,6)$ and sample size $(N = 2^{10})$. The findings elucidate the importance of accommodating the network topology in constraint-based BSL benchmarking exercises.
- Abstract（参考訳）: 多変量断面プロファイルから実世界の実体間の関連をモデル化することで、これらの実体の協調作業への手がかりをシステムとして提供することができる。
有向非巡回グラフとしてモデル化する制約ベースのベイズ構造学習(BSL)アルゴリズムなど、これらの関連を解読するためのいくつかの手法が提案されている。
これらのアルゴリズムのベンチマークは一般的に、DAG内のノード数とサンプルサイズで表される次元性の関数としての感度などのパフォーマンス測定のバリエーションを評価することに重点を置いている。
本研究では,ベンチマーク演習におけるネットワークトポロジの重要性を明らかにする。
具体的には、ノード、エッジ、サンプルサイズを同一に制約しながら、異なるネットワークトポロジ間の感度の変化を調査し、これらを潜在的な共同創設者として排除する。
ネットワークモデルから抽出した多変量断面積プロファイルからネットワーク構造を優先的なアタッチメントを用いて生成する超線形DAGトポロジーから学習する3つの一般的な制約ベースのBSLアルゴリズム(Peter-Clarke, Grow-Shrink, Incremental Association Markov Blanket)の感度について検討した。
線形モデルと非線形モデルの間では、統計的に有意な$(\alpha=0.05)$の感度推定が3つのアルゴリズムで決定的に減少することが明らかとなった。
これらの結果はノード$(N_{nods}=48,64)$、ノイズ強度$(\sigma =3,6)$、サンプルサイズ$(N = 2^{10})$のネットワークで実証される。
この結果は、制約ベースのBSLベンチマーク演習におけるネットワークトポロジの調整の重要性を解明するものである。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Unsupervised Graph Attention Autoencoder for Attributed Networks using
K-means Loss [0.0]
我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。
提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
論文 参考訳（メタデータ） (2023-11-21T20:45:55Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - Generalization Error Bounds for Iterative Recovery Algorithms Unfolded
as Neural Networks [6.173968909465726]
線形測定の少ないスパース再構成に適したニューラルネットワークの一般クラスを導入する。
層間の重量共有を広範囲に行うことで、全く異なるニューラルネットワークタイプに対する統一的な分析を可能にします。
論文 参考訳（メタデータ） (2021-12-08T16:17:33Z) - 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) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Connecting Weighted Automata, Tensor Networks and Recurrent Neural
Networks through Spectral Learning [58.14930566993063]
我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。
本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-19T15:28:00Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Multi-Decoder RNN Autoencoder Based on Variational Bayes Method [0.3007949058551534]
本稿では、繰り返しニューラルネットワークによる信号の生成過程と変分ベイズ法に着目した新しいクラスタリングアルゴリズムを提案する。
実験の結果,提案アルゴリズムは位相シフト,振幅,信号長の変動に対する頑健性だけでなく,変分ベイズ法の特性に基づく柔軟なクラスタリングも可能であることがわかった。
論文 参考訳（メタデータ） (2020-04-29T08:25:07Z) - Motif-Based Spectral Clustering of Weighted Directed Networks [6.1448102196124195]
クラスタリングは、様々な分野の応用において、ネットワーク分析に不可欠な技術である。
一つのアプローチは、モチーフ隣接行列を用いて高次構造を捕捉し、クラスタ化することである。
本稿では,重み付きネットワーク上での隣接行列のモチーフとして,新しい,計算に有用な行列式を提案する。
論文 参考訳（メタデータ） (2020-04-02T22:45:28Z)
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。