論文の概要: Structural Refinement of Bayesian Networks for Efficient Model Parameterisation

• arxiv url: http://arxiv.org/abs/2510.00334v1
• Date: Tue, 30 Sep 2025 22:39:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.287415
• Title: Structural Refinement of Bayesian Networks for Efficient Model Parameterisation
• Title（参考訳）: 効率的なモデルパラメータ化のためのベイズネットワークの構造再構成
• Authors: Kieran Drury, Martine J. Barons, Jim Q. Smith,
• Abstract要約: 本稿では, 条件付き確率表を効率的に近似するために, 実際に使用できる様々な構造改善手法のレビューを行う。 本研究では,ベイジアンネットワークモデルを用いた心血管リスク評価モデルを用いて,各手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many Bayesian network modelling applications suffer from the issue of data scarcity. Hence the use of expert judgement often becomes necessary to determine the parameters of the conditional probability tables (CPTs) throughout the network. There are usually a prohibitively large number of these parameters to determine, even when complementing any available data with expert judgements. To address this challenge, a number of CPT approximation methods have been developed that reduce the quantity and complexity of parameters needing to be determined to fully parameterise a Bayesian network. This paper provides a review of a variety of structural refinement methods that can be used in practice to efficiently approximate a CPT within a Bayesian network. We not only introduce and discuss the intrinsic properties and requirements of each method, but we evaluate each method through a worked example on a Bayesian network model of cardiovascular risk assessment. We conclude with practical guidance to help Bayesian network practitioners choose an alternative approach when direct parameterisation of a CPT is infeasible.
• Abstract（参考訳）: 多くのベイズネットワークモデリングアプリケーションは、データ不足の問題に悩まされている。 したがって、ネットワーク全体にわたって条件付き確率表(CPT)のパラメータを決定するためには、専門家による判断がしばしば必要となる。 通常、専門家の判断で利用可能なデータを補完する場合でも、決定すべきパラメータは極めて多数存在する。 この課題に対処するために、ベイズネットワークを完全にパラメータ化するために決定されるパラメータの量と複雑さを減らすために、多くのCPT近似法が開発されている。 本稿では,ベイズネットワーク内のCPTを効率的に近似するために,様々な構造改善手法について概説する。 本研究は,各手法の本質的特性と要件を紹介するだけでなく,ベイジアンネットワークモデルを用いた心血管リスク評価モデルを用いて,各手法の評価を行った。 我々は,CPTの直接パラメータ化が不可能な場合,ベイジアンネットワーク実践者が代替手法を選択するのを支援するための実践的ガイダンスで結論付けた。

関連論文リスト

• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• MEPT: Mixture of Expert Prompt Tuning as a Manifold Mapper [75.6582687942241]
  本稿では,Mixture of Expert Prompt Tuning (MEPT) を効果的かつ効率的な多様体マッピングフレームワークとして提案する。 MEPTは複数のプロンプト専門家を統合し、多様な非定常データ分布を適応的に学習する。 経験的評価により、MEPTはSuperGLUE上でいくつかの最先端パラメータの効率的なベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-31T21:19:25Z)
• BAPE: Learning an Explicit Bayes Classifier for Long-tailed Visual Recognition [78.70453964041718]
  現在のディープラーニングアルゴリズムは通常、後部確率を簡易に推定することで最適分類器を解く。 この単純な手法は、厳密にバランスのとれた学術ベンチマークデータセットに有効であることが証明されている。 しかし、これは現実世界の長い尾のデータ分布には適用できない。 本稿では,データ分布のより正確な理論的推定を行う新しい手法(BAPE)を提案する。
  論文  参考訳（メタデータ） (2025-06-29T15:12:50Z)
• Multiple Testing of Linear Forms for Noisy Matrix Completion [13.269597888405759]
  急激な新しい統計値を持つ個別試験のための新しい統計値を導入することで、難易度を克服する一般的な手法を開発する。 ほぼ最適なサンプルサイズ条件下で、有効FDR制御が保証されたパワーで達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-01T02:53:20Z)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• Eryn : A multi-purpose sampler for Bayesian inference [0.0]
  tt Erynはベイズ推論のためのユーザフレンドリーで多目的なツールボックスである。 本稿では, このサンプルパッケージについて述べるとともに, 様々なユースケースにおけるその機能について述べる。
  論文  参考訳（メタデータ） (2023-03-03T12:45:03Z)
• Systematic Analysis for Pretrained Language Model Priming for Parameter-Efficient Fine-tuning [45.99877631719761]
  本稿では,PE手法の少数ショット適応と一般化能力を高めるための汎用PEプライミングフレームワークを提案する。 我々は160種類のNLPタスクを含む数ショットのクロスドメインベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2022-12-02T08:56:53Z)
• You Only Derive Once (YODO): Automatic Differentiation for Efficient Sensitivity Analysis in Bayesian Networks [5.33024001730262]
  感度分析は、ベイズネットワークのパラメータがネットワークによって定義された関心量に与える影響を測定する。 そこで本稿では,自動微分と正確な推論を併用して,1回のパスですべての感度値を得る手法を提案する。 一般的な機械学習ライブラリであるPyTorchを使ったメソッドの実装は無料で利用可能である。
  論文  参考訳（メタデータ） (2022-06-17T11:11:19Z)
• Fine-Tuning the Odds in Bayesian Networks [0.0]
  本稿では,条件付き確率表(CPT)がシンボル変数を含むベイズネットワークの新しい解析手法を提案する。 鍵となる考え方は、パラメトリックマルコフ連鎖の合成問題にスケーラブルで強力なテクニックを活用することである。
  論文  参考訳（メタデータ） (2021-05-29T20:41:56Z)

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。