論文の概要: Profile Graphical Models

• arxiv url: http://arxiv.org/abs/2603.28423v1
• Date: Mon, 30 Mar 2026 13:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.417
• Title: Profile Graphical Models
• Title（参考訳）: プロファイル図形モデル
• Authors: Alejandra Avalos-Pacheco, Monia Lupparelli, Francesco C. Stingo,
• Abstract要約: 本稿では,1つのグラフ内で外部因子が変数の多変量集合の依存構造にどのように影響するかを示す,プロファイルグラフィカルモデルと呼ばれる新しいグラフィカルモデルのクラスを導入する。 既存のアプローチよりも強力な推論フレームワークを支える重要な構造的および確率的特性を導出する。 その結果,2ブロックのLWF連鎖グラフモデルと独立性に相違があることが判明した。
• 参考スコア（独自算出の注目度）: 42.365931112630754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel class of graphical models, termed profile graphical models, that represent, within a single graph, how an external factor influences the dependence structure of a multivariate set of variables. This class is quite general and includes multiple graphs and chain graphs as special cases. Profile graphical models capture the conditional distributions of a multivariate random vector given different levels of a risk factor, and learn how the conditional independence structure among variables may vary across these risk profiles; we formally define this family of models and establish their corresponding Markov properties. We derive key structural and probabilistic properties that underpin a more powerful inferential framework than existing approaches, underscoring that our contribution extends beyond a novel graphical representation.Furthermore, we show that the resulting profile undirected graphical models are independence-compatible with two-block LWF chain graph models.We then develop a Bayesian approach for Gaussian undirected profile graphical models based on continuous spike-and-slab priors to learn shared sparsity structures across different levels of the risk factor. We also design a fast EM algorithm for efficient inference. Inferential properties are explored through simulation studies, including the comparison with competing methods. The practical utility of this class of models is demonstrated through the analysis of protein network data from various subtypes of acute myeloid leukemia. Our results show a more parsimonious network and greater patient heterogeneity than its competitors, highlighting its enhanced ability to capture subject-specific differences.
• Abstract（参考訳）: 本稿では,1つのグラフ内で外部因子が変数の多変量集合の依存構造にどのように影響するかを示す,プロファイルグラフィカルモデルと呼ばれる新しいグラフィカルモデルのクラスを導入する。 このクラスは非常に一般的なもので、特別な場合として複数のグラフと連鎖グラフを含む。 プロファイルグラフィカルモデルは、リスクファクタの異なるレベルを与えられた多変量乱数ベクトルの条件分布をキャプチャし、変数間の条件独立構造がこれらのリスクプロファイル間でどのように異なるかを学ぶ。 我々は,従来の手法よりも強力な推論フレームワークの基盤となる重要な構造的・確率的特性を導出し,我々の貢献が新たなグラフィカル表現を超えて拡大していること,さらに2ブロックのLWF連鎖グラフモデルと独立性を持つことを示す一方で,リスクファクタの異なるレベルにわたって共有空間構造を学習するために,連続スパイクとスラブに基づくガウス的非方向プロファイルグラフィカルモデルに対するベイズ的アプローチを開発する。 また,効率的な推論のための高速EMアルゴリズムを設計する。 推論特性は、競合する手法との比較を含むシミュレーション研究によって探索される。 このモデルの実用性は、急性骨髄性白血病の様々なサブタイプからのタンパク質ネットワークデータの解析を通じて実証される。 以上の結果から,同種間ネットワークと患者不均一性は競合相手よりも優れており,主観的差異を捉える能力の向上が示唆された。

関連論文リスト

• Discrete Bayesian Sample Inference for Graph Generation [48.418206985863726]
  ベイジアンサンプル推論(BSI)に基づく新しいワンショットグラフ生成モデルであるGraphBSIを紹介する。 我々は、BSIを微分方程式(SDE)として記述し、スコア関数の近似により限界分布を保存するSDEのノイズ制御系を導出する。 実験的な評価では、分子および合成グラフ生成における最先端の性能を示し、既存のワンショットグラフ生成モデルより優れていた。
  論文  参考訳（メタデータ） (2025-11-04T21:25:51Z)
• Unfolding Tensors to Identify the Graph in Discrete Latent Bipartite Graphical Models [1.7132914341329848]
  我々はテンソル展開法を用いて、離散二部グラフモデルに対する新しい識別可能性の結果を証明する。 この結果は、これらのモデルの科学的分野や解釈可能な機械学習における信頼できる応用に有用である。
  論文  参考訳（メタデータ） (2025-01-18T23:08:25Z)
• 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)
• Attribute Graphs Underlying Molecular Generative Models: Path to Learning with Limited Data [42.517927809224275]
  本研究では,事前学習された生成オートエンコーダの潜伏符号の摂動実験を頼りに属性グラフを探索するアルゴリズムを提案する。 潜在符号間の構造方程式モデルをモデル化する有効なグラフィカルモデルに適合することを示す。 小分子の大きなデータセットで訓練された事前学習された生成オートエンコーダを用いて、グラフィカルモデルを用いて特定の特性を予測できることを実証する。
  論文  参考訳（メタデータ） (2022-07-14T19:20:30Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。