論文の概要: Decomposition for Bayesian Networks: Local and Parallel Inference

• arxiv url: http://arxiv.org/abs/2607.04650v1
• Date: Mon, 06 Jul 2026 04:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.034312
• Title: Decomposition for Bayesian Networks: Local and Parallel Inference
• Title（参考訳）: ベイジアンネットワークの分解:局所的および並列的推論
• Abstract要約: 高次元ベイズネットワークにおける確率的推論は、結合分布の正確な操作がネットワークサイズと指数関数的にスケールするため困難である。 本稿では、有向凸部分グラフに基づく分解フレームワークを提案し、最小のd-分解木を導入する。
• 参考スコア（独自算出の注目度）: 9.547272742835615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic inference in high-dimensional Bayesian networks is difficult because exact manipulation of the joint distribution scales exponentially with network size. We propose a decomposition framework based on directed convex subgraphs and introduce a minimal d-decomposition tree. Together, they provide a principled alternative to classical junction-tree constructions. The proposed framework represents the joint distribution by lower-dimensional sub-models that can be learned and stored separately. This decomposition reduces computational cost and naturally enables parallel computation. Based on a minimal d-decomposition tree, we further develop two parallel algorithms for parameter estimation and probabilistic inference. Experiments show that the proposed method substantially improves computational efficiency over junction-tree methods while maintaining inference accuracy, especially for low-dimensional queries.
• Abstract（参考訳）: 高次元ベイズネットワークにおける確率的推論は、結合分布の正確な操作がネットワークサイズと指数関数的にスケールするため困難である。 本稿では、有向凸部分グラフに基づく分解フレームワークを提案し、最小のd-分解木を導入する。 それらは古典的なジャンクションツリー構築の原則的な代替を提供する。 提案するフレームワークは, 個別に学習, 保存できる低次元サブモデルによる連成分布を表す。 この分解は計算コストを低減し、自然に並列計算を可能にする。 最小のd-分解木に基づいてパラメータ推定と確率的推論のための2つの並列アルゴリズムを更に開発する。 実験により,提案手法は,特に低次元クエリにおいて,推論精度を維持しつつ,ジャンクションツリー法よりも計算効率を大幅に向上することが示された。

関連論文リスト

• Hinge Regression Tree: A Newton Method for Oblique Regression Tree Splitting [18.562483381753804]
  2つの線形予測器上での非線形最小二乗問題として分割するHynge Regression Tree(HRT)を提案する。 このノードレベルの最適化を解析し、バックトラックライン探索の変種について、局所的な目的が単調に減少し収束することを証明する。 合成および実世界のベンチマークで、HRTはよりコンパクトな構造を持つ単木ベースラインにマッチするか、より優れることを示す。
  論文  参考訳（メタデータ） (2026-02-05T06:49:01Z)
• Structural Dimension Reduction in Bayesian Networks [3.38620607316084]
  この研究は、ベイズネットワークを最小かつ局所化されたものに崩壊させる、構造次元還元と呼ばれる新しい手法を導入する。 元のネットワークから興味のある変数を含む独特な有向船体を決定することにより、効率的な凸時間アルゴリズムを考案した。
  論文  参考訳（メタデータ） (2026-01-13T05:42:52Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Combining Local Symmetry Exploitation and Reinforcement Learning for Optimised Probabilistic Inference -- A Work In Progress [2.2164989053903805]
  グラフィカルモデルにおける変数除去による効率的な確率的推論は最適な除去順序を必要とする。 我々は、テンソルネットワークにおける効率的な収縮順序を見つけるために強化学習アプローチを適用する。 推論中に特定の構造を活用することで、中間結果のコンパクトな符号化を導入することができることを示す。
  論文  参考訳（メタデータ） (2025-03-11T18:00:23Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Distributional Sliced Embedding Discrepancy for Incomparable Distributions [22.615156512223766]
  Gromov-Wasserstein (GW) 距離は多様体学習とクロスドメイン学習の鍵となるツールである。 本稿では,分散スライシング,埋め込み,スライスされた分布間の閉形式ワッサーシュタイン距離の計算という2つの計算分布を比較する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T15:11:30Z)
• Partition-based formulations for mixed-integer optimization of trained ReLU neural networks [66.88252321870085]
  本稿では,訓練されたReLUニューラルネットワークのための混合整数式について紹介する。 1つの極端な場合、入力毎に1つのパーティションがノードの凸殻、すなわち各ノードの最も厳密な可能な定式化を回復する。
  論文  参考訳（メタデータ） (2021-02-08T17:27:34Z)
• Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
  分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。 一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
  論文  参考訳（メタデータ） (2020-12-04T15:36:29Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• Distributed Averaging Methods for Randomized Second Order Optimization [54.51566432934556]
  我々はヘッセン語の形成が計算的に困難であり、通信がボトルネックとなる分散最適化問題を考察する。 我々は、ヘッセンのサンプリングとスケッチを用いたランダム化二階最適化のための非バイアスパラメータ平均化手法を開発した。 また、不均一なコンピューティングシステムのための非バイアス分散最適化フレームワークを導入するために、二階平均化手法のフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-02-16T09:01:18Z)

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。