論文の概要: On Different Notions of Redundancy in Conditional-Independence-Based Discovery of Graphical Models

• arxiv url: http://arxiv.org/abs/2502.08531v1
• Date: Wed, 12 Feb 2025 16:08:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:50:06.024359
• Title: On Different Notions of Redundancy in Conditional-Independence-Based Discovery of Graphical Models
• Title（参考訳）: 条件付き独立性に基づく図形モデルの発見における冗長性の異なる表記法について
• Authors: Philipp M. Faller, Dominik Janzing,
• Abstract要約: グラフィカル表現の簡潔さのため、グラフの構成に使われないテストが多々存在することを示す。 すべてのテストがこの追加情報を含んでいるわけではなく、そのような冗長なテストに注意を払わなければならないことを示す。
• 参考スコア（独自算出の注目度）: 11.384020227038961
• License:
• Abstract: The goal of conditional-independence-based discovery of graphical models is to find a graph that represents the independence structure of variables in a given dataset. To learn such a representation, conditional-independence-based approaches conduct a set of statistical tests that suffices to identify the graphical representation under some assumptions on the underlying distribution of the data. In this work, we highlight that due to the conciseness of the graphical representation, there are often many tests that are not used in the construction of the graph. These redundant tests have the potential to detect or sometimes correct errors in the learned model. We show that not all tests contain this additional information and that such redundant tests have to be applied with care. Precisely, we argue that particularly those conditional (in)dependence statements are interesting that follow only from graphical assumptions but do not hold for every probability distribution.
• Abstract（参考訳）: 条件付き独立性に基づくグラフィカルモデルの発見の目標は、与えられたデータセット内の変数の独立構造を表すグラフを見つけることである。 このような表現を学習するために、条件付き独立性に基づくアプローチは、データの基盤となる分布に関するいくつかの仮定の下で、グラフィカルな表現を特定するのに十分である統計テストのセットを実行する。 本稿では,グラフィカル表現の簡潔さのため,グラフ構築に使用されないテストが多々存在することを強調する。 これらの冗長テストは、学習したモデルのエラーを検出し、時には修正する可能性がある。 すべてのテストがこの追加情報を含んでいるわけではなく、そのような冗長なテストに注意を払わなければならないことを示す。 正確には、これらの条件付き(非依存性の)ステートメントは、グラフィカルな仮定からのみ従うが、全ての確率分布を保たない興味深いものであると論じる。

関連論文リスト

• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Testing Dependency of Weighted Random Graphs [4.0554893636822]
  本研究では,2つのランダムグラフ間のエッジ依存性を検出するタスクについて検討する。 一般のエッジウェイト分布に対して、最適テストが情報理論上可能か不可能となるしきい値を確立する。
  論文  参考訳（メタデータ） (2024-09-23T10:07:41Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
  我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。 教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-11-08T12:41:58Z)
• DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
  本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
  論文  参考訳（メタデータ） (2022-10-18T11:28:21Z)
• AZ-whiteness test: a test for uncorrelated noise on spatio-temporal graphs [19.407150082045636]
  グラフに対する最初の白さテスト、すなわちグラフのノードに関連付けられた連続時系列に対する連続白さテストを示す。 グラフストリームの予測残差を解析することにより、品質時間予測モデルの評価にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-04-23T19:43:19Z)
• Learning Invariant Representations with Missing Data [18.307438471163774]
  相関誘導型テクトニュアンス変数を含む特定の依存性を満たすモデルでは、テスト性能が保証される。 欠損したニュアンスの下での非分散目的のためのアクロルトムド推定器を導出する。 シミュレーションと臨床データについて、これらの推定を最適化すると、全データを利用する推定器と同様のテスト性能が得られる。
  論文  参考訳（メタデータ） (2021-12-01T23:14:34Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
  非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。 このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
  論文  参考訳（メタデータ） (2020-04-28T00:53:01Z)
• Full Law Identification In Graphical Models Of Missing Data: Completeness Results [13.299431908881425]
  この研究分野における最初の完全性結果を提供する。 次に、欠落したデータと未測定のコンファウンディングの両方の存在によって生じる可能性のある問題に対処する。
  論文  参考訳（メタデータ） (2020-04-10T01:31:10Z)

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。