Fugu-MT 論文翻訳(概要): Estimating Network Models using Neural Networks

論文の概要: Estimating Network Models using Neural Networks

arxiv url: http://arxiv.org/abs/2502.01810v1
Date: Mon, 03 Feb 2025 20:41:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 14:57:26.936311
Title: Estimating Network Models using Neural Networks
Title（参考訳）: ニューラルネットワークを用いたネットワークモデルの推定
Authors: Angelo Mele,
Abstract要約: 本稿では,パラメータから平均的ネットワーク統計へのマッピングを学習するために,一組のパラメータシミュレーションペアを訓練するニューラルネットワークアプローチを提案する。一度訓練すると、この写像は逆転し、高速で並列化可能な推定法が得られる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Exponential random graph models (ERGMs) are very flexible for modeling network formation but pose difficult estimation challenges due to their intractable normalizing constant. Existing methods, such as MCMC-MLE, rely on sequential simulation at every optimization step. We propose a neural network approach that trains on a single, large set of parameter-simulation pairs to learn the mapping from parameters to average network statistics. Once trained, this map can be inverted, yielding a fast and parallelizable estimation method. The procedure also accommodates extra network statistics to mitigate model misspecification. Some simple illustrative examples show that the method performs well in practice.
Abstract（参考訳）: 指数ランダムグラフモデル(ERGM)は、ネットワーク形成をモデル化するのに非常に柔軟であるが、その難解な正規化定数のために難しい推定課題を生じさせる。 MCMC-MLEのような既存の手法は、最適化の各ステップで逐次シミュレーションに依存する。本稿では,パラメータから平均的ネットワーク統計へのマッピングを学習するために,一組のパラメータシミュレーションペアを訓練するニューラルネットワークアプローチを提案する。一度訓練すると、この写像は逆転し、高速で並列化可能な推定法が得られる。この手順はまた、モデルの誤特定を軽減するために、余分なネットワーク統計を許容する。いくつかの単純な例は、この手法が実際にうまく機能していることを示している。

関連論文リスト

Transferable Post-training via Inverse Value Learning [83.75002867411263]
別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
論文参考訳（メタデータ） (2024-10-28T13:48:43Z)
Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文参考訳（メタデータ） (2023-12-19T21:45:38Z)
On Feynman--Kac training of partial Bayesian neural networks [1.6474447977095783]
部分ベイズニューラルネットワーク(pBNN)は、完全なベイズニューラルネットワークと競合することが示されている。本稿では,Feynman-Kacモデルのシミュレーションとして,pBNNのトレーニングを定式化した効率的なサンプリングベーストレーニング戦略を提案する。提案手法は, 予測性能において, 技術状況よりも優れることを示す。
論文参考訳（メタデータ） (2023-10-30T15:03:15Z)
An unfolding method based on conditional Invertible Neural Networks (cINN) using iterative training [0.0]
非可逆ニューラルネットワーク(INN)のような生成ネットワークは確率的展開を可能にする。模擬トレーニングサンプルとデータ間のずれを調整した展開のための反復条件INN(IcINN)を導入する。
論文参考訳（メタデータ） (2022-12-16T19:00:05Z)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文参考訳（メタデータ） (2021-07-07T16:59:14Z)
Randomized Neural Networks for Forecasting Time Series with Multiple Seasonality [0.0]
この研究は、新しいランダム化に基づく学習手法を用いたニューラル予測モデルの開発に寄与する。時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに有用である。
論文参考訳（メタデータ） (2021-07-04T18:39:27Z)
Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。提案手法は計算効率が高く,チューニングがほとんどない。提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
論文参考訳（メタデータ） (2021-06-05T05:17:04Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)
Tensor Networks for Probabilistic Sequence Modeling [7.846449972735859]
シーケンスデータの確率的モデリングには,一様行列積状態(u-MPS)モデルを用いる。次に、訓練されたu-MPSに対して、様々な条件分布から効率的にサンプリングできる新しい生成アルゴリズムを提案する。合成テキストデータと実テキストデータを用いたシーケンスモデリング実験は、U-MPSが様々なベースラインより優れていることを示す。
論文参考訳（メタデータ） (2020-03-02T17:16:05Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。