論文の概要: Lifting Factor Graphs with Some Unknown Factors for New Individuals

• arxiv url: http://arxiv.org/abs/2504.04089v1
• Date: Sat, 05 Apr 2025 07:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:07.173634
• Title: Lifting Factor Graphs with Some Unknown Factors for New Individuals
• Title（参考訳）: 新しい個人に未知の要因をもつリフティング因子グラフ
• Authors: Malte Luttermann, Ralf Möller, Marcel Gehrke,
• Abstract要約: liftingは、確率的グラフィカルモデルにおける対称性を、識別不能なオブジェクトの代用として利用する。 本稿では,未知の因子を含む因子グラフにおいて,識別不能な部分グラフを識別するLIFAGUアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.1045268505532566
• License:
• Abstract: Lifting exploits symmetries in probabilistic graphical models by using a representative for indistinguishable objects, allowing to carry out query answering more efficiently while maintaining exact answers. In this paper, we investigate how lifting enables us to perform probabilistic inference for factor graphs containing unknown factors, i.e., factors whose underlying function of potential mappings is unknown. We present the Lifting Factor Graphs with Some Unknown Factors (LIFAGU) algorithm to identify indistinguishable subgraphs in a factor graph containing unknown factors, thereby enabling the transfer of known potentials to unknown potentials to ensure a well-defined semantics of the model and allow for (lifted) probabilistic inference. We further extend LIFAGU to incorporate additional background knowledge about groups of factors belonging to the same individual object. By incorporating such background knowledge, LIFAGU is able to further reduce the ambiguity of possible transfers of known potentials to unknown potentials.
• Abstract（参考訳）: リフティングは確率的グラフィカルモデルにおいて、識別不能なオブジェクトの代用体を用いて対称性を利用しており、正確な答えを維持しながらより効率的にクエリ応答を実行することができる。 本稿では,未知の因子を含む因子グラフ,すなわちポテンシャル写像の基底関数が不明な因子に対して,昇降が確率的推論を可能にするかを検討する。 本稿では,未知の因子を含む因子グラフにおいて,未知の因子を含む因子グラフ中の不明瞭な部分グラフを識別するためのLIFAGU (Lifting Factor Graphs with Some Unknown Factors) アルゴリズムを提案する。 さらにLIFAGUを拡張して,同一対象に属する因子群に関する背景知識を付加する。 このような背景知識を取り入れることで、LIFAGUは未知のポテンシャルへの既知のポテンシャルの移動の曖昧さをさらに減らすことができる。

関連論文リスト

• Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs [4.647149336191891]
  部分有向グラフにおける因果推論に対して昇降が適用可能であることを示す。 本研究では,部分有向因果係数グラフにおいて,因果推論が昇降レベルでどのように行われるかを示す。
  論文  参考訳（メタデータ） (2024-11-11T14:05:39Z)
• Identifiability Guarantees for Causal Disentanglement from Purely Observational Data [10.482728002416348]
  因果解離は、データの背後にある潜在因果関係について学ぶことを目的としている。 近年の進歩は、(単一の)潜伏因子への介入が可能であると仮定して、識別可能性(identifiability)が確立されている。 非線形因果モデルで同定できる潜伏因子の高精度な評価法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T04:18:29Z)
• Lifting Factor Graphs with Some Unknown Factors [3.1045268505532566]
  liftingは、確率的グラフィカルモデルにおける対称性を、識別不能なオブジェクトの代用として利用する。 本稿では,未知の因子を含む因子グラフの対称部分グラフを識別するLIFAGUアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-03T12:44:55Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• On the Identifiability of Quantized Factors [33.12356885773274]
  一般非線形微分同相の下で量子化潜在因子を復元することは可能であることを示す。 本稿では、この新しい形の量子化因子識別可能性を紹介し、量子化因子の回復の包括的証明を提供する。
  論文  参考訳（メタデータ） (2023-06-28T16:10:01Z)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Reachability analysis in stochastic directed graphs by reinforcement learning [67.87998628083218]
  マルコフグラフにおける遷移確率のダイナミクスは差分包摂によってモデル化できることを示す。 我々は、ノードの集合の到達可能性確率の上限と下限を提供するために、報酬関数を設計する方法論を提供する。
  論文  参考訳（メタデータ） (2022-02-25T08:20:43Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)

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。