論文の概要: Nonparametric undirected graphical model selection using diffusion models
- arxiv url: http://arxiv.org/abs/2606.08468v1
- Date: Sun, 07 Jun 2026 06:22:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.125014
- Title: Nonparametric undirected graphical model selection using diffusion models
- Title（参考訳）: 拡散モデルを用いた非パラメトリック非指向的グラフィカルモデル選択
- Authors: Hyeok Kyu Kwon, Myeonggu Kang, Minwoo Chae, Wanjie Wang,
- Abstract要約: 拡散モデルに基づく非方向のグラフィカルモデル選択に対する非パラメトリックなアプローチを開発する。
シミュレーションと2つの実データ解析により実験性能を実証する。
- 参考スコア（独自算出の注目度）: 3.6515314438258097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Undirected graphical models provide a fundamental framework for representing conditional independence structures among high-dimensional random variables. While undirected graphical model selection has become a central problem in high-dimensional statistics, most existing methods are restricted to parametric settings. In this paper, we develop a nonparametric approach to undirected graphical model selection based on diffusion models. Recent work has shown that diffusion models can adapt to the unknown graph structure of the underlying distribution, yet utilizing these models for explicit graph estimation remains unexplored. To bridge this gap, we introduce a novel diffusion-based method for nonparametric undirected graphical model selection. We establish the model selection consistency of the proposed method and demonstrate its empirical performance through extensive simulations and two real data analyses.
- Abstract（参考訳）: 非方向のグラフィカルモデルは、高次元の確率変数間の条件付き独立構造を表現するための基本的なフレームワークを提供する。
非方向のグラフィカルモデル選択は高次元統計学において中心的な問題となっているが、既存の手法のほとんどはパラメトリック設定に限定されている。
本稿では,拡散モデルに基づく非指向的グラフィカルモデル選択のための非パラメトリックアプローチを開発する。
近年の研究では、拡散モデルが基礎となる分布の未知のグラフ構造に適応できることが示されているが、これらのモデルを明示的なグラフ推定に利用することは未解明のままである。
このギャップを埋めるために、非パラメトリックな非指向的グラフィカルモデル選択のための拡散に基づく新しい手法を導入する。
提案手法のモデル選択整合性を確立し,シミュレーションと2つの実データ解析により実験性能を示す。
関連論文リスト
- Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity [93.52679474816728]
拡散モデルは、生成モデリングにおける主要なフレームワークとなっている。
本稿では,拡散モデルが構造データをどのように学習するかを,統計的複雑性とデータ幾何学的性質の影響の2つの重要な側面に焦点をあてる。
また、スコア関数の構造と多様体曲率の相互作用も強調する。
論文 参考訳（メタデータ） (2026-03-21T04:40:19Z) - Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。
本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。
実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-03-27T15:08:58Z) - Continuous Diffusion Model for Language Modeling [64.7425225935854]
離散的データに対する既存の連続拡散モデルは離散的手法と比較して性能が劣る。
本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。
本手法は,既存の離散拡散モデルより優れ,自己回帰モデルの性能にアプローチする。
論文 参考訳（メタデータ） (2025-02-17T08:54:29Z) - Surrogate models for diffusion on graphs via sparse polynomials [0.0]
コミュニティ構造を持つグラフ上のパラメトリック拡散方程式に対するスパースベースサロゲートモデルを提供する。
我々の理論的な発見には、合成グラフと実世界のグラフの両方で行われた一連の数値実験が伴っている。
論文 参考訳（メタデータ） (2025-02-10T15:57:33Z) - Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。
遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
論文 参考訳（メタデータ） (2024-06-21T01:32:03Z) - Infinite-Dimensional Diffusion Models [3.9748528039819977]
拡散に基づく生成モデルを無限次元で定式化し、関数の生成モデルに適用する。
また,この理論を用いて無限次元拡散モデルの設計ガイドラインも作成する。
論文 参考訳（メタデータ） (2023-02-20T18:00:38Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z)
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。