論文の概要: Nonparametric learning of heterogeneous graphical model on network-linked data

• arxiv url: http://arxiv.org/abs/2507.01473v1
• Date: Wed, 02 Jul 2025 08:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.105585
• Title: Nonparametric learning of heterogeneous graphical model on network-linked data
• Title（参考訳）: ネットワークリンクデータを用いた異種グラフィカルモデルの非パラメトリック学習
• Authors: Yuwen Wang, Changyu Liu, Xin He, Junhui Wang,
• Abstract要約: 本稿では,不均一なグラフ構造に対応する非パラメトリックグラフィカルモデルを提案する。 グラフ学習タスクをベクトル値の核ヒルベルト空間の性質を利用して有限次元線形方程式系に変換する。 その効果は、様々なシミュレートされた例を通しても示され、統計学的コオーサシップデータセットへの真の応用である。
• 参考スコア（独自算出の注目度）: 19.215806260939473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphical models have been popularly used for capturing conditional independence structure in multivariate data, which are often built upon independent and identically distributed observations, limiting their applicability to complex datasets such as network-linked data. This paper proposes a nonparametric graphical model that addresses these limitations by accommodating heterogeneous graph structures without imposing any specific distributional assumptions. The proposed estimation method effectively integrates network embedding with nonparametric graphical model estimation. It further transforms the graph learning task into solving a finite-dimensional linear equation system by leveraging the properties of vector-valued reproducing kernel Hilbert space. Moreover, theoretical guarantees are established for the proposed method in terms of the estimation consistency and exact recovery of the heterogeneous graph structures. Its effectiveness is also demonstrated through a variety of simulated examples and a real application to the statistician coauthorship dataset.
• Abstract（参考訳）: グラフィカルモデルは、多変量データの条件付き独立構造を捉えるのによく使われており、しばしば独立して同じ分布の観測に基づいて構築され、ネットワークリンクデータのような複雑なデータセットに適用可能である。 本稿では,不均質なグラフ構造を特定の分布仮定を含まないことで,これらの制約に対処する非パラメトリックグラフィカルモデルを提案する。 提案手法は,ネットワーク埋め込みと非パラメトリックグラフィカルモデル推定を効果的に統合する。 さらに、グラフ学習タスクをベクトル値再生カーネルヒルベルト空間の特性を利用して有限次元線形方程式系に変換する。 さらに、不均一グラフ構造の推定一貫性と正確な回復率の観点から、提案手法の理論的保証を確立する。 その効果は、様々なシミュレートされた例を通しても示され、統計学的コオーサシップデータセットへの真の応用である。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Cyclic Directed Probabilistic Graphical Model: A Proposal Based on Structured Outcomes [0.0]
  本稿では,指向性周期依存を直接キャプチャ可能な確率的グラフィカルモデル(確率的関係ネットワーク)について述べる。 このモデルは確率公理に違反せず、観測データからの学習をサポートする。 特に、確率的推論をサポートし、データ分析やエキスパートおよび設計アプリケーションにおいて、将来的なツールとなる。
  論文  参考訳（メタデータ） (2023-10-25T10:19:03Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Learning non-Gaussian graphical models via Hessian scores and triangular transport [6.308539010172309]
  連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。 このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
  論文  参考訳（メタデータ） (2021-01-08T16:42:42Z)
• Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
  我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。 このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
  論文  参考訳（メタデータ） (2020-07-13T08:02:27Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。