論文の概要: A Stable Distance Persistence Homology for Dynamic Bayesian Network Clustering

• arxiv url: http://arxiv.org/abs/2605.11226v1
• Date: Mon, 11 May 2026 20:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.419911
• Title: A Stable Distance Persistence Homology for Dynamic Bayesian Network Clustering
• Title（参考訳）: 動的ベイズネットワーククラスタリングのための安定距離パーシステンスホモロジー
• Authors: Will Bales, Carmen Rovi,
• Abstract要約: 動的ベイズネットワークにおける変数の整理と時間的変化に関するトポロジ的アプローチを導入する。 DBGに永続ホモロジーを適用すると、強い依存変数の連結群の合併と消滅を記録するバーコードを生成する。 このことは、動的ベイズネットワークにおける依存性構造がどのように進化するかという、原理的かつ耐雑音的な要約をもたらす。
• 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: Dynamic Bayesian networks (DBNs) are a widely used framework for modeling systems whose probabilistic structure evolves over time. Standard inference methods focus on local conditional distributions and can miss larger-scale patterns in how dependencies between variables organize and change over time. We introduce a topological approach to this problem. To each DBN we associate a time-varying graph, called a Dynamic Bayesian Graph (DBG), by assigning to each edge a strength that measures variation in its conditional dependence across parent configurations, and retaining edges whose strength exceeds a chosen threshold. We show that this construction fits within the dynamic graph framework of Kim and Mémoli, enabling the use of tools from topological data analysis. Applying persistent homology to a DBG produces a barcode, which records the merging and disappearance of connected groups of strongly dependent variables over time. We prove that this barcode is stable: small perturbations in the conditional probability tables of the DBN lead to small changes in the resulting barcode. This yields a principled and noise-resistant summary of how dependency structure evolves in a dynamic Bayesian network.
• Abstract（参考訳）: 動的ベイズネットワーク(英: Dynamic Bayesian Network、DBN)は、確率的構造が時間とともに進化するシステムモデリングのフレームワークである。 標準推論手法は、ローカルな条件分布に焦点を当てており、変数間の依存関係がどのように整理され、時間とともに変化するかという、より大規模なパターンを見逃す可能性がある。 この問題に対してトポロジカルなアプローチを導入する。 それぞれのDBNに対して、動的ベイズグラフ(DBG)と呼ばれる時間変化グラフを関連付け、各エッジに親構成間の条件依存性の変化を測定する強度を割り当て、選択された閾値を超えるエッジを保持する。 我々は,この構造がKimとMémoliの動的グラフフレームワークに適合していることを示し,トポロジカルデータ解析のツールの利用を可能にした。 DBGに永続的ホモロジーを適用すると、バーコードを生成する。 DBNの条件付き確率表における小さな摂動は、結果として生じるバーコードに小さな変化をもたらす。 このことは、動的ベイズネットワークにおける依存性構造がどのように進化するかという、原理的かつ耐雑音的な要約をもたらす。

関連論文リスト

• Graph2TS: Structure-Controlled Time Series Generation via Quantile-Graph VAEs [1.0499611180329804]
  本稿では,構造的バックボーンと残留ダイナミクスの組み合わせとして,時系列データを考慮した時系列生成に関する構造的・残留的な視点を提案する。 ラベルやメタデータではなく構造に対して生成を条件付けすることで、制御された変動を可能にしながら、グローバルな時間的構造を保ちます。 日光スポット、電力負荷、ECG、EEG信号を含む多様なデータセットの実験では、拡散およびGANベースラインと比較して分布の忠実度、時間的アライメント、代表性が改善された。
  論文  参考訳（メタデータ） (2026-03-20T14:12:11Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• 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)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Time Series Domain Adaptation via Latent Invariant Causal Mechanism [28.329164754662354]
  時系列領域適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに複雑な時間依存性を転送することを目的としている。 近年の進歩は、観測変数に対する安定した因果機構を利用して、ドメイン不変時間依存をモデル化している。 しかし、ビデオのような高次元データにおける正確な因果構造をモデル化することは依然として困難である。
  論文  参考訳（メタデータ） (2025-02-23T16:25:58Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States [9.827587981833053]
  国間グラフを用いた類似性駆動型ビルディングブロック推論フレームワーク(SiBBlInGS)を提案する。 SiBBlInGSは、グラフベースの辞書学習アプローチを提供し、その時間的トレースとともにスパースBBを発見する。 我々は、SiBBlInGSの複雑な現象に関する洞察を明らかにする能力と、ノイズや欠落したサンプルに対する頑健さを実証する。
  論文  参考訳（メタデータ） (2023-06-07T22:41:04Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Recursive Bayesian Networks: Generalising and Unifying Probabilistic Context-Free Grammars and Dynamic Bayesian Networks [0.0]
  確率的文脈自由文法 (PCFGs) と動的ベイズネットワーク (DBNs) は相補的な強みと制約を持つシーケンスモデルとして広く使われている。 本稿では,PCFGとDBNを一般化・統合するRecursive Bayesian Networks(RBNs)について述べる。
  論文  参考訳（メタデータ） (2021-11-02T19:21:15Z)
• Recurrent Dirichlet Belief Networks for Interpretable Dynamic Relational Data Modelling [29.138765941440145]
  Dirichlet Belief Network (DirBN) は、オブジェクトの解釈可能な深層潜伏表現の学習において有望なアプローチとして提案されている。 本稿では,動的リレーショナルデータから解釈可能な隠れ構造を研究するための動的確率的フレームワークであるRecurrent Dirichlet Belief Network(Recurrent-DBN)を提案する。
  論文  参考訳（メタデータ） (2020-02-24T13:40:24Z)

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。