論文の概要: Spectral Sparsification of Laplacian-Constrained Gaussian and Hüsler-Reiss Graphical Models
- arxiv url: http://arxiv.org/abs/2606.16681v1
- Date: Mon, 15 Jun 2026 13:16:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.57017
- Title: Spectral Sparsification of Laplacian-Constrained Gaussian and Hüsler-Reiss Graphical Models
- Title（参考訳）: Laplacian-Constrained Gaussian and Hüsler-Reiss Graphical Modelのスペクトルスカラー化
- Authors: Ignacio Echave-Sustaeta Rodríguez, Aida Abiad, Frank Röttger,
- Abstract要約: グラフラプラシアンはグラフ構造を行列形式でエンコードする。
確率的グラフィカルモデルの2つの関連する族はグラフラプラシアンによってパラメータ化することができる。
本稿では,スペクトルグラフスペーシフィケーションをポスト推定操作として用いることを提案する。
- 参考スコア（独自算出の注目度）: 2.0391237204597368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Laplacians encode graph structures in matrix form, and thus facilitate the application of linear algebra to graph theory. In statistics, two related families of probabilistic graphical models can be parameterized by graph Laplacians. The first one is the Laplacian-constrained Gaussian graphical model (LCGGM), which imposes that the (pseudo-)inverse covariance matrix of a Gaussian random vector is a Laplacian matrix. Applications include graph signal processing and network topology learning. The second one is the Hüsler-Reiss graphical model, which is considered as an extremal analog of the Gaussian graphical model, and can be used in extremal dependence modeling of floods, heatwaves, and financial losses. For both models, the restriction to positive edge weights in the graph Laplacian gives rise to an approach for graph structure learning that does not require tuning parameters. While these approaches yield a strong model fit in many settings, the resulting graph estimates are typically much denser than the underlying ground truth, limiting interpretability and scalability. In order to improve the accuracy of Laplacian-constrained graph learning, we propose to use spectral graph sparsification as a post-estimation operation. To do so, we replace the original Laplacian estimate by a sparser Laplacian that is spectrally close, and re-fit the model on the resulting graph. We refer to the two resulting methods as Spectral-LCGGM and Spectral-HR. We investigate the properties of the proposed estimators and show several theoretical results on their performance. Furthermore, we demonstrate that the newly proposed methods perform well by running simulations on Erdős-Rényi and stochastic block model graphs, and we also showcase their applications to real data.
- Abstract（参考訳）: グラフラプラシアン (Graph Laplacian) はグラフ構造を行列形式でエンコードし、したがって線型代数のグラフ理論への応用を容易にする。
統計学において、確率的グラフィカルモデルの関連する2つの族はグラフラプラシアンによってパラメータ化することができる。
1つはラプラシアン制約ガウス図形モデル(LCGGM)で、ガウス確率ベクトルの(擬)逆共分散行列はラプラシアン行列である。
応用例としては、グラフ信号処理とネットワークトポロジ学習がある。
2つ目はHüsler-Reissグラフィカルモデルであり、これはガウスのグラフィカルモデルの極端類似と見なされ、洪水、熱波、財政損失の極端依存モデリングに使用することができる。
両方のモデルに対して、グラフラプラシアンの正の辺重みに対する制限は、チューニングパラメータを必要としないグラフ構造学習へのアプローチをもたらす。
これらのアプローチは多くの設定に適合する強いモデルをもたらすが、結果として得られるグラフ推定は、典型的には基礎となる真実よりもはるかに密度が高く、解釈可能性と拡張性を制限する。
ラプラシアン制約グラフ学習の精度を向上させるために,スペクトルグラフスペーシフィケーションをポスト推定操作として用いることを提案する。
そのため、元のラプラシアン推定をスペクトル的に近いスペーサーラプラシアンに置き換え、結果のグラフ上でモデルを再適合させる。
得られた2つの手法をSpectral-LCGGMとSpectral-HRと呼ぶ。
提案する推定器の特性について検討し,その性能に関する理論的結果を示す。
さらに,提案手法はエルデシュ・レニイおよび確率ブロックモデルグラフ上でシミュレーションを行い,実データへの応用を示す。
関連論文リスト
- Learning Gaussian Graphical Models under Total Positivity via Spectral Graph Sparsification [2.0391237204597368]
スペクトルスペーシフィケーションを用いたデータからガウス図形モデルを学習する手法を提案する。
我々は、スペクトル-MTP2が、より密度の高いMTP2ベースラインの適合性の大部分を維持しつつ、実質的にスペーサーで解釈可能なグラフを生成することを示した。
エクイティリターンと遺伝子発現へのシミュレーションおよび応用において、スペクトル-MTP2はMTP2ベースラインの適合性の大部分を保持しつつ、実質的にスペーサーとより解釈可能なグラフを生成する。
論文 参考訳（メタデータ） (2026-05-16T20:59:06Z) - A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。
コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。
この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
論文 参考訳（メタデータ） (2025-07-17T10:02:57Z) - Polynomial Graphical Lasso: Learning Edges from Gaussian Graph-Stationary Signals [18.45931641798935]
本稿では,Nudal信号からグラフ構造を学習する新しい手法であるPolynomial Graphical Lasso (PGL)を紹介する。
我々の重要な貢献は、グラフ上のガウス的および定常的な信号であり、グラフ学習ラッソの開発を可能にすることである。
論文 参考訳（メタデータ） (2024-04-03T10:19:53Z) - Generating Graphs via Spectral Diffusion [48.70458395826864]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGGSDを提案する。
合成グラフと実世界のグラフの両方に関する広範な実験は、最先端の代替品に対する我々のモデルの強みを実証している。
論文 参考訳（メタデータ） (2024-02-29T09:26:46Z) - Graph Neural Networks with a Distribution of Parametrized Graphs [27.40566674759208]
複数のグラフをパラメータ化して生成するために潜在変数を導入する。
予測最大化フレームワークにおいて,ネットワークパラメータの最大推定値を得る。
論文 参考訳（メタデータ） (2023-10-25T06:38:24Z) - 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) - Graph Polynomial Convolution Models for Node Classification of
Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。
得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。
提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文 参考訳（メタデータ） (2022-09-12T04:46:55Z) - Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。
解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。
線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文 参考訳（メタデータ） (2021-05-29T08:11:40Z) - Graph Convolution with Low-rank Learnable Local Filters [32.00396411583352]
本稿では,学習可能な低ランク局所フィルタを用いた新しいグラフ畳み込み手法を提案する。
従来のスペクトルグラフ畳み込み法よりも明らかに表現力が高い。
入力グラフデータに対する表現は理論的に証明され、グラフフィルタの局所性と局所グラフの正規化を利用する。
論文 参考訳（メタデータ） (2020-08-04T20:34:59Z)
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。