論文の概要: Causal Models for Growing Networks

• arxiv url: http://arxiv.org/abs/2504.01012v1
• Date: Tue, 01 Apr 2025 17:52:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:18:41.079199
• Title: Causal Models for Growing Networks
• Title（参考訳）: ネットワーク成長のための因果モデル
• Authors: Gecia Bravo-Hermsdorff, Lee M. Gunderson, Kayvan Sadeghi,
• Abstract要約: まず、96個の因果有向非巡回グラフ(DAG)モデルをノード対上で列挙する。 次に、ノード境界化の下で閉じた祖先集合を持つ21のクラスに分割する。
• 参考スコア（独自算出の注目度）: 4.055489363682199
• License:
• Abstract: Real-world networks grow over time; statistical models based on node exchangeability are not appropriate. Instead of constraining the structure of the \textit{distribution} of edges, we propose that the relevant symmetries refer to the \textit{causal structure} between them. We first enumerate the 96 causal directed acyclic graph (DAG) models over pairs of nodes (dyad variables) in a growing network with finite ancestral sets that are invariant to node deletion. We then partition them into 21 classes with ancestral sets that are closed under node marginalization. Several of these classes are remarkably amenable to distributed and asynchronous evaluation. As an example, we highlight a simple model that exhibits flexible power-law degree distributions and emergent phase transitions in sparsity, which we characterize analytically. With few parameters and much conditional independence, our proposed framework provides natural baseline models for causal inference in relational data.
• Abstract（参考訳）: 実世界のネットワークは時間とともに成長するが、ノード交換性に基づく統計モデルは適切ではない。 エッジの \textit{distribution} の構造を制約するのではなく、関連する対称性がそれらの間の \textit{causal structure} を参照することを提案する。 まず、96個の因果有向非巡回グラフ(DAG)モデルを、ノード削除に不変な有限祖先集合を持つ成長ネットワーク内のノード(ダイアド変数)のペア上で列挙する。 次に、ノード境界化の下で閉じた祖先集合を持つ21のクラスに分割する。 これらのクラスのいくつかは、分散および非同期評価に著しく適しています。 一例として、フレキシブル・パワー・ロー次数分布とスパシティの創発相転移を示す単純なモデルを強調し、解析的に特徴付ける。 パラメータが少なく、条件付き独立性が高いため、我々の提案するフレームワークは、関係データにおける因果推論のための自然なベースラインモデルを提供する。

関連論文リスト

• Generative Flow Networks: Theory and Applications to Structure Learning [7.6872614776094]
  この論文は、ベイズの観点からの構造学習の問題を研究する。 ジェネレーティブフローネットワーク(GFlowNets)を導入 GFlowNetsは、生成をシーケンシャルな意思決定問題として扱う。
  論文  参考訳（メタデータ） (2025-01-09T17:47:17Z)
• Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
  我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。 近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。 非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
  論文  参考訳（メタデータ） (2024-10-31T15:56:50Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
  グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。 グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。 次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
  論文  参考訳（メタデータ） (2023-01-31T21:20:48Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Boundary theories of critical matchgate tensor networks [59.433172590351234]
  AdS/CFT対応の重要な側面は、双曲格子上のテンソルネットワークモデルの観点から捉えることができる。 マッチゲート制約を満たすテンソルに対しては、これらは以前、乱れた境界状態を生成することが示されている。 これらのハミルトニアンは、解析的な玩具モデルによって捉えられたマルチスケールの準周期対称性を示す。
  論文  参考訳（メタデータ） (2021-10-06T18:00:03Z)
• Staged trees and asymmetry-labeled DAGs [2.66269503676104]
  本稿では,実生木を最小のベイズネットワークで表現し,直感的に条件付き独立性を読み取る方法を提案する。 また,非対称性ラベル付き有向非巡回グラフ (asymmetric-labeled direct acyclic graph) と呼ばれる新しいラベル付きグラフも定義する。
  論文  参考訳（メタデータ） (2021-08-04T12:20:47Z)
• T-LoHo: A Bayesian Regularization Model for Structured Sparsity and Smoothness on Graphs [0.0]
  グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。 グラフィカルな関係を持つ高次元パラメータに先立って提案する。 構造された空間と滑らかさを同時に検出するために使用します。
  論文  参考訳（メタデータ） (2021-07-06T10:10:03Z)
• Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
  本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。 このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
  論文  参考訳（メタデータ） (2020-07-28T17:13:59Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)

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。