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

• arxiv url: http://arxiv.org/abs/2502.08531v2
• Date: Fri, 10 Oct 2025 12:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 15:48:08.152955
• 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: 冗長なテストは、学習したモデルのエラーを検出したり、時に修正する可能性があることを示す。 確率分布毎に保持される条件付き(独立性)ステートメントは、誤りを検出して修正することはありそうにない、と我々は主張する。
• 参考スコア（独自算出の注目度）: 7.33673561186158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional-independence-based discovery uses statistical tests to identify a graphical model that represents the independence structure of variables in a dataset. These tests, however, can be unreliable, and algorithms are sensitive to errors and violated assumptions. Often, there are tests that were not used in the construction of the graph. In this work, we show that these redundant tests have the potential to detect or sometimes correct errors in the learned model. But we further show that not all tests contain this additional information and that such redundant tests have to be applied with care. Precisely, we argue that the conditional (in)dependence statements that hold for every probability distribution are unlikely to detect and correct errors - in contrast to those that follow only from graphical assumptions.
• Abstract（参考訳）: 条件付き独立性に基づく発見は、統計テストを使用して、データセット内の変数の独立構造を表すグラフィカルモデルを特定する。 しかし、これらのテストは信頼性が低く、アルゴリズムはエラーや仮定違反に敏感である。 多くの場合、グラフの構築に使われなかったテストがある。 本研究では、これらの冗長なテストが学習モデルにおける誤りを検出し、時には修正する可能性があることを示す。 しかし、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を慎重に適用する必要があることも示しています。 正確には、全ての確率分布に対して保持する条件付き(非依存性)ステートメントは、グラフィカルな仮定からのみ従うものとは対照的に、誤りを検出し、修正することは不可能である、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)
• Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
  点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。 本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T10:49:22Z)
• 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)
• Generalization bounds for learning under graph-dependence: A survey [4.220336689294245]
  我々は、例が依存する学習シナリオと、それらの依存関係が依存グラフによって記述される学習シナリオについて検討する。 グラフ依存的な濃度境界を収集し、ラデマッハの複雑性と安定性の一般化を導出する。 私たちの知る限りでは、この調査はこの種の調査としては初めてである。
  論文  参考訳（メタデータ） (2022-03-25T09:33:49Z)
• 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。