論文の概要: Structure Learning on Clustered Data

• arxiv url: http://arxiv.org/abs/2607.08238v1
• Date: Thu, 09 Jul 2026 08:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.471048
• Title: Structure Learning on Clustered Data
• Title（参考訳）: クラスタデータによる構造学習
• Abstract要約: 本稿では,局所的なクラスタレベルの影響を考慮しつつ,グローバルな構造を推定する新たなアプローチを提案する。 固定効果グラフとランダム効果グラフの結合が非循環であることを保証する、微分可能なグラフ結合機構を提案する。
• 参考スコア（独自算出の注目度）: 2.1095754823099657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent algorithmic advances have made directed acyclic graph (DAG) structure learning scalable for causal discovery. Yet, the currently available techniques assume a completely homogeneous population, precluding their application to clustered data where cluster-specific variations (e.g., patient-specific effects) are common. We address this issue by introducing a new approach that estimates a global structure while accounting for local cluster-level effects. The key idea is to extend the fixed- and random-effects framework of classical mixed models to the structure learning setting. Towards this end, we present a differentiable graph coupling mechanism that guarantees the union of the fixed- and random-effects graphs remains acyclic. Computationally, we provide a provably convergent first-order method and leverage efficient batched updates across clusters. Statistically, we establish identifiability of the model and show that our approach recovers the true structure asymptotically. In experiments on real and synthetic data, our proposal detects dependencies missed by alternative estimators, underscoring its value for structure learning in clustered settings.
• Abstract（参考訳）: 近年のアルゴリズムの進歩により、因果発見のために指向非巡回グラフ(DAG)構造学習がスケーラブルになった。 しかし、現在利用可能なテクニックは、クラスタ固有のバリエーション(例えば、患者固有の効果)が一般的であるクラスタ化されたデータに適用する前に、完全に均質な人口を想定している。 我々は,局所的なクラスタレベルの影響を考慮しつつ,グローバルな構造を推定する新たなアプローチを導入することでこの問題に対処する。 鍵となる考え方は、古典混合モデルの固定およびランダム効果フレームワークを構造学習環境に拡張することである。 この目的に向けて、固定効果グラフとランダム効果グラフの結合が非循環であることを保証する微分可能なグラフ結合機構を提案する。 計算学的には,クラスタ間のバッチ更新を効率よく利用し,効率よく収束する一階法を提供する。 統計的には、モデルの識別可能性を確立し、我々のアプローチが真の構造を漸近的に回復することを示す。 実データおよび合成データに関する実験において,提案手法は代替推定器に欠落した依存関係を検知し,クラスタ化環境における構造学習の価値を推定する。

関連論文リスト

• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy [57.058369251551795]
  教師なしグラフクラスタリングは、大規模ネットワークの基盤となるセマンティックパターンを明らかにするための基本的な手法である。 本研究では,制約付き構造エントロピーを用いたコミュニティ認識サンプリングを連携させることにより,構造整合性を維持するフレームワークであるSCISEを提案する。 SCISEは最先端のアルゴリズムを著しく上回り、アブレーション研究とロバストネス分析により、実世界の大規模グラフの有効性と信頼性をさらに検証した。
  論文  参考訳（メタデータ） (2026-07-06T07:55:53Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Amortized Neural Clustering of Time Series based on Statistical Features [7.076900172535537]
  本稿では,ニューラルネットワークによる特徴量に基づく時系列クラスタリングに対するアルゴリズムに依存しないアプローチを提案する。 シミュレーションデータから最適なパーティショニングルールを近似するためにニューラルネットワークをトレーニングすることにより、提案フレームワークは従来のクラスタリング手法への依存を減らすことができる。 この方法の1つのバージョンは、アドホックな選択手順を避けることによって、自動的にクラスタ数を決定することができる。
  論文  参考訳（メタデータ） (2026-05-13T07:54:55Z)
• Hierarchical and Density-based Causal Clustering [6.082022112101251]
  本稿では,既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 さらに,それらの収束率について検討し,因果クラスタリングの付加コストが基本的に結果回帰関数の推定誤差であることを示す。
  論文  参考訳（メタデータ） (2024-11-02T14:01:04Z)
• Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
  適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。 ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。 ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
  論文  参考訳（メタデータ） (2024-07-29T15:51:09Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
  グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。 グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。 グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:53:30Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Robust spectral clustering using LASSO regularization [0.0]
  本稿では,ブロックモデルと密接な関係を持つ新しいランダムモデルを用いて,スペクトルクラスタリングの一種である1スペクトルクラスタリングを提案する。 その目標は、グラフの自然な構造を明らかにする1の最小化問題のスパース固有基底解を促進することである。
  論文  参考訳（メタデータ） (2020-04-08T07:12:56Z)

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。