論文の概要: Covariate Dependent Mixture of Bayesian Networks
- arxiv url: http://arxiv.org/abs/2501.05745v1
- Date: Fri, 10 Jan 2025 06:21:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-13 15:28:24.491217
- Title: Covariate Dependent Mixture of Bayesian Networks
- Title（参考訳）: ベイズネットワークの共変量依存性混合
- Authors: Roman Marchant, Dario Draca, Gilad Francis, Sahand Assadzadeh, Mathew Varidel, Frank Iorfino, Sally Cripps,
- Abstract要約: 推論に単一のネットワーク構造を使用することは、サブ人口差を捉えないため、誤解を招く可能性がある。
本稿では,個々の特性に依存したベイズネットワークの混合をモデル化する新しい手法を提案する。
本手法は,サブ人口構成のネットワーク構造と人口動態予測器の両方を同定し,個人化された介入を支援する。
- 参考スコア（独自算出の注目度）: 3.493206543979227
- License:
- Abstract: Learning the structure of Bayesian networks from data provides insights into underlying processes and the causal relationships that generate the data, but its usefulness depends on the homogeneity of the data population, a condition often violated in real-world applications. In such cases, using a single network structure for inference can be misleading, as it may not capture sub-population differences. To address this, we propose a novel approach of modelling a mixture of Bayesian networks where component probabilities depend on individual characteristics. Our method identifies both network structures and demographic predictors of sub-population membership, aiding personalised interventions. We evaluate our method through simulations and a youth mental health case study, demonstrating its potential to improve tailored interventions in health, education, and social policy.
- Abstract（参考訳）: データからベイズネットワークの構造を学習することは、基礎となるプロセスやデータを生成する因果関係に関する洞察を与えるが、その有用性はデータ人口の均一性に依存する。
このような場合、1つのネットワーク構造を推論に使用すると、サブポピュレーションの違いを捉えないため、誤解を招く可能性がある。
そこで本稿では,コンポーネントの確率が個々の特性に依存するベイズネットワークの混合をモデル化する手法を提案する。
本手法は,サブ人口構成のネットワーク構造と人口動態予測器の両方を同定し,個人化された介入を支援する。
シミュレーションと若年者のメンタルヘルス・ケーススタディを通じて本手法の評価を行い,健康・教育・社会政策における適切な介入を改善する可能性を実証した。
関連論文リスト
- Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding [2.654975444537834]
多くのネットワーク研究の鍵となる疑問は、観測された単位間の相関は、主に感染や潜伏によるものであるかである。
ネットワーク因果効果の推定手法を提案する。
実世界のネットワークを用いて,合成データによる手法の有効性と仮定の有効性を評価する。
論文 参考訳（メタデータ） (2024-11-02T22:12:44Z) - A Deep Generative Framework for Joint Households and Individuals Population Synthesis [0.562479170374811]
世帯・個人・個人・個人関係を持つ合成集団を創出するための深い生成枠組みを提案する。
米国デラウェア州での申請の結果は、生成された家庭内レコードのリアリズムを確実にする能力を示している。
論文 参考訳（メタデータ） (2024-06-30T23:01:58Z) - Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
本稿では,部分的ネットワークデータを用いた治療効果調整の評価と推定のためのフレームワークを提案する。
部分的ネットワークデータのみを用いて治療を割り当てる手順を説明する。
本研究では,インドとマラウイにおける情報拡散と観測グラフのシミュレーション実験によるアプローチの有効性を検証した。
論文 参考訳（メタデータ） (2024-06-17T17:27:18Z) - Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。
本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
論文 参考訳（メタデータ） (2024-02-08T22:05:45Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳（メタデータ） (2021-12-17T12:47:18Z) - Deep Archimedean Copulas [98.96141706464425]
ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。
我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
論文 参考訳（メタデータ） (2020-12-05T22:58:37Z) - Latent Network Estimation and Variable Selection for Compositional Data
via Variational EM [0.0]
ネットワークの相互作用と関連性を同時に推定する新しい手法を開発した。
マイクロバイオームデータへの応用を通して,本モデルの実用性を示す。
論文 参考訳（メタデータ） (2020-10-25T21:52:39Z) - Joint Inference of Diffusion and Structure in Partially Observed Social
Networks Using Coupled Matrix Factorization [3.399624105745357]
本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。
提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。
これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
論文 参考訳（メタデータ） (2020-10-03T17:48:57Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。