論文の概要: Enhancing Bayesian Network Structural Learning with Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2502.01527v1
• Date: Mon, 03 Feb 2025 17:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:57:52.993632
• Title: Enhancing Bayesian Network Structural Learning with Monte Carlo Tree Search
• Title（参考訳）: モンテカルロ木探索によるベイズネットワーク構造学習の強化
• Authors: Jorge D. Laborda, Pablo Torrijos, José M. Puerta, José A. Gámez,
• Abstract要約: 本稿では,ベイジアンネットワーク(BN)の構造学習のためのモンテカルロ木探索(MCTS)アルゴリズムの適応について述べる。 当初はゲームツリー探索用に設計されていたが、BN構造学習の課題に対処するためにMCTSが再利用された。 我々は、Greedy Equivalent Search (GES)、PC、HCなど、他の検索アルゴリズムから得られる可変順序を組み込むことにより、この問題に対処する半ランダム化アプローチを採用する。
• 参考スコア（独自算出の注目度）: 0.6574756524825567
• License:
• Abstract: This article presents MCTS-BN, an adaptation of the Monte Carlo Tree Search (MCTS) algorithm for the structural learning of Bayesian Networks (BNs). Initially designed for game tree exploration, MCTS has been repurposed to address the challenge of learning BN structures by exploring the search space of potential ancestral orders in Bayesian Networks. Then, it employs Hill Climbing (HC) to derive a Bayesian Network structure from each order. In large BNs, where the search space for variable orders becomes vast, using completely random orders during the rollout phase is often unreliable and impractical. We adopt a semi-randomized approach to address this challenge by incorporating variable orders obtained from other heuristic search algorithms such as Greedy Equivalent Search (GES), PC, or HC itself. This hybrid strategy mitigates the computational burden and enhances the reliability of the rollout process. Experimental evaluations demonstrate the effectiveness of MCTS-BN in improving BNs generated by traditional structural learning algorithms, exhibiting robust performance even when base algorithm orders are suboptimal and surpassing the gold standard when provided with favorable orders.
• Abstract（参考訳）: 本稿では,モンテカルロ木探索(MCTS)アルゴリズムをベイズネットワーク(BN)の構造学習に適用したMCTS-BNについて述べる。 当初、MCTSはゲームツリー探索のために設計されたが、ベイジアンネットワークにおける潜在的な祖先命令の探索空間を探索することでBN構造を学ぶという課題に対処するために再設計された。 その後、Hill Climbing (HC) を用いてベイズネットワーク構造を各順序から導出する。 可変順序の探索空間が巨大になる大きなBNでは、ロールアウトフェーズで完全にランダムな順序を使用するのは、しばしば信頼性が低く、実用的ではない。 我々は、Greedy Equivalent Search(GES)やPC、HCなど、他のヒューリスティック検索アルゴリズムから得られる可変順序を組み込むことにより、この問題に対処する半ランダムなアプローチを採用する。 このハイブリッド戦略は、計算負担を軽減し、ロールアウトプロセスの信頼性を高める。 実験により、MCTS-BNが従来の構造学習アルゴリズムによって生成されたBNの改善に有効であることを示し、ベースアルゴリズムの順序が最適以下であり、優良な順序が与えられた場合、ゴールドスタンダードを超越しても頑健な性能を示す。

関連論文リスト

• RethinkMCTS: Refining Erroneous Thoughts in Monte Carlo Tree Search for Code Generation [65.5353313491402]
  本稿では,モンテカルロ木探索(MCTS)アルゴリズムを用いて,コードを生成する前に思考レベルの探索を行うRethinkMCTSを紹介する。 我々は,検索中の誤った思考を洗練させるために,微動コード実行フィードバックからの言語フィードバックを構築した。 RethinkMCTSは従来の検索ベースおよびフィードバックベースのコード生成ベースラインよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2024-09-15T02:07:28Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• Scale-Adaptive Balancing of Exploration and Exploitation in Classical Planning [1.6574413179773757]
  我々は,MAB文献のより詳細な理論的理解が,既存の計画アルゴリズムの改善に役立つことを示す。 本稿では, UCB1-Normal bandit を用いた MCTS/THTS アルゴリズムである GreedyUCT-Normal を提案する。
  論文  参考訳（メタデータ） (2023-05-16T22:46:37Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• Landmark Regularization: Ranking Guided Super-Net Training in Neural Architecture Search [70.57382341642418]
  重量共有は、コモディティハードウェア上での検索を可能にするため、ニューラルネットワークアーキテクチャ検索のデファクトスタンダードとなっています。 近年の研究では、スタンドアロンアーキテクチャのパフォーマンスと対応する共有重み付きネットワークのパフォーマンスのランキング障害が実証されている。 本稿では,共有重みネットワークの性能ランキングとスタンドアロンアーキテクチャのパフォーマンスランキングの相関を最大化することを目的とした正規化用語を提案する。
  論文  参考訳（メタデータ） (2021-04-12T09:32:33Z)
• Any Part of Bayesian Network Structure Learning [17.46459748913491]
  ベイズネットワーク(BN)構造の一部を学習し、興味深く挑戦的な問題を研究する。 まず,局所bn構造学習手法が偽エッジ方向問題を持つ理由を説明するために,拡張バックトラックという新しい概念を提案する。 そこで我々は,効率的かつ正確なBN構造学習アルゴリズムAPSLを提案する。
  論文  参考訳（メタデータ） (2021-03-23T10:03:31Z)
• Partitioned hybrid learning of Bayesian network structures [6.683105697884667]
  分割ハイブリッドグリーディ探索(pHGS)を用いたベイズネットワーク構造学習のための新しいハイブリッド手法の開発 実験結果は,多くの最先端構造学習アルゴリズムに対して,phgの優れた経験的性能を示す。
  論文  参考訳（メタデータ） (2021-03-22T21:34:52Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• Differentiable TAN Structure Learning for Bayesian Network Classifiers [19.30562170076368]
  本研究では,個別な入力特徴を持つベイズ型ネットワーク分類器に対する木拡大型ネーブベイズ構造(TAN)の学習について検討する。 提案手法は,可能なグラフ構造の空間上で最適化を行う代わりに,グラフ構造上の分布を学習する。 提案手法はランダムなTAN構造とChow-Liu TAN構造を一貫して上回る。
  論文  参考訳（メタデータ） (2020-08-21T16:22:47Z)
• Turbocharging Treewidth-Bounded Bayesian Network Structure Learning [26.575053800551633]
  木幅有界ネットワーク(BN)の構造学習のための新しいアプローチを提案する。 提案手法の鍵となるのは,Aally Computed BN のスコアを改善するために,(MaxSAT をベースとした)厳密な手法を局所的に適用することである。 実験の結果,本手法は最先端の手法によって提供されるBNのスコアを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2020-06-24T16:13:10Z)

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。