論文の概要: Heterogeneous Ordinal Structure Learning with Bayesian Nonparametric Complexity Discovery

• arxiv url: http://arxiv.org/abs/2605.04191v1
• Date: Tue, 05 May 2026 18:32:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.484228
• Title: Heterogeneous Ordinal Structure Learning with Bayesian Nonparametric Complexity Discovery
• Title（参考訳）: ベイズ非パラメトリック複雑度発見を用いた不均一順序構造学習
• Authors: Amir Rafe, Subasish Das,
• Abstract要約: 既存の順序構造学習者は、すべての回答者に対して共有指向非巡回グラフ(DAG)を仮定する。 最近の順序的グラフィカルモデルアプローチは、クラスタ固有のDAG推定ではなく、サブグループ発見に焦点を当てている。
• 参考スコア（独自算出の注目度）: 1.089614199781423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public attitudes toward artificial intelligence are heterogeneous, ordinally measured, and poorly captured by any single dependency graph. Existing ordinal structure learners assume a shared directed acyclic graph (DAG) across all respondents; recent heterogeneous ordinal graphical-model approaches focus on subgroup discovery rather than confirmatory cluster-specific DAG estimation; and latent profile analyses discard dependency structure entirely. We introduce a heterogeneous ordinal structure-learning framework combining monotone Gaussian score embedding, Bayesian nonparametric (BNP) complexity discovery via a truncated stick-breaking prior, and confirmatory fixed-K estimation with cluster-specific sparse DAG learning. The key methodological insight is a discovery-to-confirmation workflow: the nonparametric stage calibrates plausible archetype complexity, while inner-validated confirmatory refitting yields stable, interpretable structural estimates. On the 2024 Pew American Trends Panel AI attitudes survey, Wave 152 (W152) survey, (N = 4,788, 8 ordinal items), the confirmatory K*=5 model reduces holdout transformed-score mean squared error (MSE) by 25.8% over a single-graph baseline and by 4.6% over mixture-only clustering. A controlled tiered semi-synthetic benchmark calibrated to W152 structure validates recovery across difficulty regimes and transparently reveals failure modes under stress conditions.
• Abstract（参考訳）: 人工知能に対する公衆の態度は異質であり、通常測定され、単一の依存グラフでは不十分である。 既存の順序構造学習者は、すべての回答者に対して共有指向非巡回グラフ(DAG)を仮定し、最近の異種順序グラフモデルアプローチは、クラスタ固有のDAG推定よりもサブグループ発見に重点を置いており、潜在プロファイル解析は依存構造を完全に破棄している。 単調なガウススコアの埋め込み, トランケートされたスティック破砕によるベイズ非パラメトリック(BNP)複雑性の発見, クラスタ固有のスパースDAG学習による確定的固定K推定を併用した, 不均一な順序構造学習フレームワークを提案する。 非パラメトリック段階はプラウシブルなアーチタイプ複雑性をキャリブレートし、内定的確固たる再適合は安定で解釈可能な構造推定をもたらす。 2024 Pew American Trends Panel AI attitudes Survey, Wave 152 (W152) Survey, (N = 4,788, 8 Ordinal items) では、確認K*=5モデルにより、シングルグラフベースライン上でのホールドアウト変換スコア平均二乗誤差(MSE)が25.8%、混合クラスタリングで4.6%削減された。 W152構造に校正された制御された階層型半合成ベンチマークは、難易度全体の回復を検証し、ストレス条件下での障害モードを透過的に明らかにする。

関連論文リスト

• Sparse Network Inference under Imperfect Detection and its Application to Ecological Networks [2.7065664375961274]
  本稿では, 検出推定を伴う非負の非負の低ランク因数分解のためのフレームワークを提案する。 スケール認識と類似性認識を併用したADMMに基づくアルゴリズムを開発し,その実現可能性を確立する。 合成および実世界の生態クラスターの実験では、潜伏構造と類似性/接続性の改善が示されている。
  論文  参考訳（メタデータ） (2026-04-20T20:41:23Z)
• Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
  微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。 我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
  論文  参考訳（メタデータ） (2025-12-31T08:03:41Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Structured Basis Function Networks: Loss-Centric Multi-Hypothesis Ensembles with Controllable Diversity [46.60221265861393]
  既存の予測の不確実性に対するアプローチは、多様性を促進するが原則化された集約を欠くマルチハイプセシス予測に依存している。 Structured Basis Function Networkはこのギャップに対処し、Bregmanの発散によって引き起こされる中心的な凝集を通して多仮説予測とエンハンブルをリンクする。 調整可能な多様性メカニズムは、バイアス-分散-多様性トレードオフのパラメトリック制御を提供し、多仮説一般化と損失認識アンサンブルアグリゲーションを接続する。
  論文  参考訳（メタデータ） (2025-09-02T19:53:43Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• dotears: Scalable, consistent DAG estimation using observational and interventional data [1.220743263007369]
  因果性遺伝子制御ネットワークはDAG(direct acyclic graph)によって表現できる 単一の因果構造を推論する継続的最適化フレームワークであるtexttdotears$[doo-tairs]を提示する。 我々は、$texttdotears$は、軽度の仮定の下で真DAGの証明可能な一貫した推定量であることを示した。
  論文  参考訳（メタデータ） (2023-05-30T17:03:39Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。