論文の概要: Stable Structure Learning with HC-Stable and Tabu-Stable Algorithms

• arxiv url: http://arxiv.org/abs/2504.01740v1
• Date: Wed, 02 Apr 2025 13:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:20:04.982530
• Title: Stable Structure Learning with HC-Stable and Tabu-Stable Algorithms
• Title（参考訳）: HC-stable と Tabu-stable アルゴリズムによる安定構造学習
• Authors: Neville K. Kitson, Anthony C. Constantinou,
• Abstract要約: いくつかの広く使われているスコアベースのアルゴリズムは、ハイブリッドおよび制約ベースのアルゴリズムと同様に、同じ問題に悩まされている。 安定なノード順序を決定することで不安定性を解消するスコアベースグリーディヒルクライミングの新しい解を提案する。 HC-Stable と Tabu-Stable という2つの実装を導入し,全ネットワークで最高BICスコアを達成し,分類ネットワークの最高精度を達成した。
• 参考スコア（独自算出の注目度）: 6.691151987390148
• License:
• Abstract: Many Bayesian Network structure learning algorithms are unstable, with the learned graph sensitive to arbitrary dataset artifacts, such as the ordering of columns (i.e., variable order). PC-Stable attempts to address this issue for the widely-used PC algorithm, prompting researchers to use the "stable" version instead. However, this problem seems to have been overlooked for score-based algorithms. In this study, we show that some widely-used score-based algorithms, as well as hybrid and constraint-based algorithms, including PC-Stable, suffer from the same issue. We propose a novel solution for score-based greedy hill-climbing that eliminates instability by determining a stable node order, leading to consistent results regardless of variable ordering. Two implementations, HC-Stable and Tabu-Stable, are introduced. Tabu-Stable achieves the highest BIC scores across all networks, and the highest accuracy for categorical networks. These results highlight the importance of addressing instability in structure learning and provide a robust and practical approach for future applications. This extends the scope and impact of our previous work presented at Probabilistic Graphical Models 2024 by incorporating continuous variables. The implementation, along with usage instructions, is freely available on GitHub at https://github.com/causal-iq/discovery.
• Abstract（参考訳）: 多くのベイズネットワーク構造学習アルゴリズムは不安定であり、学習グラフは列の順序(可変順序)などの任意のデータセットアーティファクトに敏感である。 PC-Stableは、広く使われているPCアルゴリズムのこの問題に対処しようと試み、研究者は代わりに「安定」バージョンを使うように促した。 しかし、この問題はスコアベースのアルゴリズムでは見過ごされたようである。 そこで本研究では,PC-Stableを含むハイブリッド・制約ベースのアルゴリズムと同様に,広く利用されているスコアベースアルゴリズムが,同じ問題に悩まされていることを示す。 本稿では,安定なノード順序を決定することで不安定性を排除し,変動順序によらず一貫した結果をもたらすスコアベースグリーディヒルクライミングの新たな解を提案する。 HC-StableとTabu-Stableの2つの実装が導入されている。 Tabu-Stableは、全ネットワークで最高のBICスコアを達成し、分類ネットワークの最高精度を達成している。 これらの結果は、構造学習における不安定性に対処することの重要性を強調し、将来のアプリケーションに堅牢で実践的なアプローチを提供する。 これは、連続変数を組み込むことによって、確率的グラフィカルモデル2024で提示されたこれまでの作業の範囲と影響を拡張します。 この実装は使用指示とともに、GitHubでhttps://github.com/causal-iq/discovery.comで無償公開されている。

関連論文リスト

• A Full DAG Score-Based Algorithm for Learning Causal Bayesian Networks with Latent Confounders [0.0]
  因果ベイズネットワーク(Causal Bayesian Network, CBN)は、変数間の因果関係を符号化する一般的なグラフィカル確率モデルである。 本稿では,DAGの空間を探索し,潜在する共同設立者の存在を識別できる,初めての完全スコアに基づく構造学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-20T20:25:56Z)
• Generalization Bounds for Dependent Data using Online-to-Batch Conversion [0.6144680854063935]
  混合プロセスから抽出したサンプルに基づいて学習したバッチ学習アルゴリズムの一般化誤差を上限とする。 私たちの仕事は、バッチ学習者に対する安定性の仮定を一切必要としません。 我々は、オンライン学習アルゴリズムの教科書ファミリーであるEWAアルゴリズムが、我々の新しい安定性の概念を満たすことを証明した。
  論文  参考訳（メタデータ） (2024-05-22T14:07:25Z)
• GEC-DePenD: Non-Autoregressive Grammatical Error Correction with Decoupled Permutation and Decoding [52.14832976759585]
  文法的誤り訂正(GEC)は、通常自己回帰的なシーケンス・ツー・シーケンスモデルで解決される重要なNLPタスクである。 本稿では, アーキテクチャを置換ネットワークに分離する, GEC に対する非自己回帰的アプローチを提案する。 GECの既知の非自己回帰手法よりもネットワークが向上することを示す。
  論文  参考訳（メタデータ） (2023-11-14T14:24:36Z)
• Fast Approximation of Similarity Graphs with Kernel Density Estimation [12.321755440062732]
  我々は,データポイントのセットである$X$から類似性グラフを構築するための新しいアルゴリズムをmathbbRd$に提示する。 提案アルゴリズムはカーネル密度推定問題に基づいており,任意のカーネル関数に適用可能である。
  論文  参考訳（メタデータ） (2023-10-21T00:32:47Z)
• Lifelong Bandit Optimization: No Prior and No Regret [70.94238868711952]
  我々は,過去の経験から学習することで環境に適応するアルゴリズムであるLIBOを開発した。 カーネルが未知だが、すべてのタスク間で共有されるカーネル構造を仮定する。 我々のアルゴリズムは、任意のカーネル化または線形バンディットアルゴリズムと組み合わせて、最適な性能を保証できる。
  論文  参考訳（メタデータ） (2022-10-27T14:48:49Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Hybrid Bayesian network discovery with latent variables by scoring multiple interventions [5.994412766684843]
  離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。 このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。 実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2021-12-20T14:54:41Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise Learning [65.54757265434465]
  ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。 オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。 本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:10:48Z)
• A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks [70.88503833248159]
  連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。 我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
  論文  参考訳（メタデータ） (2020-07-07T07:34:09Z)

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。