論文の概要: Graph-Informed Adversarial Modeling: Infimal Subadditivity of Interpolative Divergences
- arxiv url: http://arxiv.org/abs/2603.20025v1
- Date: Fri, 20 Mar 2026 15:12:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.199084
- Title: Graph-Informed Adversarial Modeling: Infimal Subadditivity of Interpolative Divergences
- Title（参考訳）: グラフインフォームド逆数モデリング:補間ダイバージェンの不完全部分付加性
- Authors: Panagiota Birmpa, Eric Joseph Hall,
- Abstract要約: 本研究では,ベイズネットワークによって対象分布が分解される場合の逆学習について検討する。
適切な条件下では、グローバルな変分差分は、グラフに整合した家族レベルの差分平均によって制御されることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study adversarial learning when the target distribution factorizes according to a known Bayesian network. For interpolative divergences, including $(f,Γ)$-divergences, we prove a new infimal subadditivity principle showing that, under suitable conditions, a global variational discrepancy is controlled by an average of family-level discrepancies aligned with the graph. In an additive regime, this surrogate is exact. This provides a variational justification for replacing a graph-agnostic GAN with a monolithic discriminator by a graph-informed GAN with localized family-level discriminators. The result does not require the optimizer itself to factorize according to the graph. We also obtain parallel results for integral probability metrics and proximal optimal transport divergences, identify natural discriminator classes for which the theory applies, and present experiments showing improved stability and structural recovery relative to graph-agnostic baselines.
- Abstract（参考訳）: 本研究では,ベイズネットワークによって対象分布が分解される場合の逆学習について検討する。
for interpolative divergences, including $(f, )$-divergences, we showed a new infimal subadditivity principle, shown that the global variational discrepancy are controlled by a average of family-level discrepancies with the graph。
加法的な体制では、この代理は正確である。
これにより、グラフに依存しないGANをモノリシックな判別器に置き換え、グラフインフォームドGANを局所化されたファミリーレベルの判別器で置き換えることができる。
その結果、オプティマイザ自体がグラフに従って分解される必要はない。
また,この理論を適用した自然判別器のクラスを同定し,グラフに依存しないベースラインに対する安定性と構造的回復性を示す実験を行った。
関連論文リスト
- A Theory of Random Graph Shift in Truncated-Spectrum vRKHS [26.195791008324495]
本稿では,ランダムグラフ生成レンズによる領域シフトの下でのグラフ分類の理論を開発する。
我々は、同じランダムグラフモデル(RGM)を共有するクラス内グラフと、RGM成分の変化によって引き起こされる領域シフトについて考察する。
論文 参考訳（メタデータ） (2026-02-27T10:19:57Z) - Moment Matters: Mean and Variance Causal Graph Discovery from Heteroscedastic Observational Data [2.436681150766912]
変数の分散が他の変数と変化するヘテロセダスティック性(heteroscedasticity)は、実際のデータにおいて広範である。
標準因果発見は、単一のモーメント非依存グラフを返すため、どの原因が平均と分散に作用するかを明らかにしない。
本稿では,観測的ヘテロセダスティックデータからテキストとテキストの分散因果グラフを別々に推定するベイズ的モーメント駆動因果探索フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-27T02:13:03Z) - Representation Geometry as a Diagnostic for Out-of-Distribution Robustness [0.5978543974412219]
In-distribution Embeddingsからクラス条件の相互k-nearest-neighborグラフを構成する幾何学的診断フレームワークを提案する。
スペクトルの複雑さが低く、平均曲率が高くなると、チェックポイント全体にわたって強い分布外(OOD)の精度が常に予測される。
この結果から,表現幾何学はラベル無しで解釈可能な診断を可能にし,教師なしチェックポイント選択の信頼性をサポートできることが示唆された。
論文 参考訳（メタデータ） (2026-02-03T19:13:36Z) - Consistent DAG selection for Bayesian causal discovery under general error distributions [9.971549076128268]
変数集合の因果構造を学習する問題を考察する。
関連するエラーは独立であり、非ガウス的であることが許される。
真のデータ生成指向非巡回グラフ(DAG)構造を特定するためにベイズ階層モデルを提案する。
論文 参考訳（メタデータ） (2025-08-01T18:03:28Z) - Identifiable Latent Neural Causal Models [82.14087963690561]
因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。
因果表現の識別可能性に寄与する分布シフトのタイプを決定する。
本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
論文 参考訳（メタデータ） (2024-03-23T04:13:55Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。
OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。
コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-11T04:38:39Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z)
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。