論文の概要: A Data-Driven Approach to State Construction in Markov Models

• arxiv url: http://arxiv.org/abs/2608.21480v1
• Date: Fri, 21 Aug 2026 08:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.210133
• Title: A Data-Driven Approach to State Construction in Markov Models
• Title（参考訳）: マルコフモデルにおける状態構築へのデータ駆動アプローチ
• Abstract要約: 本稿では,教師付き特徴選択と教師なし学習を組み合わせたデータ駆動状態構築手法を提案する。 先行仮定なしで潜伏群を識別する能力について,密度に基づくクラスタリング,スペクトルクラスタリング,コホーネン自己組織化マップについて検討した。 結果は、応用マルコフモデリングにおける状態定義を改善するための理論的および方法論的ガイダンスを提供するための基礎となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A Markov chain is a widely used stochastic process modelling random events over time. These models are built on subsets of the entire dataset, referred to as states, which are considered to be homogeneous regarding transition probabilities. However, the creation of these states is often disregarded or based on prior assumption, potentially violating the homogeneity requirement and thus decreasing the validity and predictive power of the model. In order to fill this gap, this paper combines supervised feature selection with unsupervised learning techniques for data-driven state construction. Density-based clustering, spectral clustering, and Kohonen self-organizing maps are examined for their ability to identify latent groups without prior assumptions. The contribution of this study is twofold. First, the paper presents a methodological framework for state construction incorporating suitable unsupervised learning techniques, with appropriate measures both for classification performance and Markov model accuracy. Secondly, the framework is tested on an application, resulting in a comparative analysis showing that spectral clustering and Kohonen self-organizing maps are best at capturing inherent structure. These results serve as a cornerstone in providing theoretical and methodological guidance for improving state definition in applied Markov modelling.
• Abstract（参考訳）: マルコフ連鎖(Markov chain)は、ランダム事象を時間とともにモデル化する確率過程である。 これらのモデルは、遷移確率に関して均質であると考えられている状態と呼ばれるデータセット全体のサブセット上に構築されている。 しかし、これらの状態の生成は、しばしば無視されるか、あるいは事前の仮定に基づいて、均質性要件に違反し、モデルの有効性と予測力を低下させる可能性がある。 このギャップを埋めるために、データ駆動状態構築のための教師なし学習技術と教師なし特徴選択を組み合わせる。 先行仮定なしで潜伏群を識別する能力について,密度に基づくクラスタリング,スペクトルクラスタリング,コホーネン自己組織化マップについて検討した。 この研究の貢献は2つある。 まず, 教師なし学習手法を取り入れた状態構築のための方法論的枠組みについて, 分類性能とマルコフモデル精度の両立を図った。 第二に、このフレームワークはアプリケーション上でテストされ、スペクトルクラスタリングとコホーネン自己組織化マップが固有の構造を捉えるのに最適であることを示す比較分析結果が得られた。 これらの結果は、応用マルコフモデリングにおける状態定義を改善するための理論的および方法論的ガイダンスを提供するための基盤となる。

関連論文リスト

• CoPHo: Classifier-guided Conditional Topology Generation with Persistent Homology [14.522233245543687]
  トポロジー構造は、性能と堅牢性の研究を支える。 テストやリリースに望ましい特性を持つ合成グラフの生成。 条件ホモロジーを用いた持続的トポロジー生成(CoPho)を提案する。 4つのジェネリック/ネットワークデータセットの実験では、CoPHoがターゲットメトリクスにマッチする既存のメソッドよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2025-12-17T13:10:22Z)
• On the Identifiability of Tensor Ranks via Prior Predictive Matching [12.745028028466047]
  本稿では,事前の予測モーメントマッチングに基づいて,確率テンソルモデルのランク識別可能性を決定するための厳密なアプローチを提案する。 我々は、ランク識別可能性とそのようなシステムの可解性の間に等価性を確立する。 観測されたデータのみのモーメントに基づいて、明示的なクローズドフォームランク推定器を導出する。
  論文  参考訳（メタデータ） (2025-10-16T10:13:45Z)
• 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)
• Approximate learning of parsimonious Bayesian context trees [0.0]
  提案するフレームワークは、合成および実世界のデータ例に基づいてテストされる。 これは、実際のタンパク質配列やハニーポットコンピュータターミナルセッションに適合すると、既存のシーケンスモデルより優れている。
  論文  参考訳（メタデータ） (2024-07-27T11:50:40Z)
• The Bayesian Context Trees State Space Model for time series modelling and forecasting [7.018547803286913]
  時系列用の木に基づく混合モデルを開発するための階層型ベイズフレームワークが導入された。 これをBayesian Context Trees State Space Model(BCT-Xフレームワーク)と呼びます。
  論文  参考訳（メタデータ） (2023-08-02T02:40:42Z)
• Bivariate Causal Discovery using Bayesian Model Selection [11.726586969589]
  ベイズ的枠組みに因果仮定を組み込む方法について述べる。 これにより、現実的な仮定でモデルを構築することができます。 その後、幅広いベンチマークデータセットにおいて、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-06-05T14:51:05Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
  雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。 我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
  論文  参考訳（メタデータ） (2021-06-20T02:15:20Z)
• 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)
• Engineering Topological Phases Guided by Statistical and Machine Learning Methods [0.0]
  本稿では,位相図の事前知識を必要とせず,一般格子の位相モデルを構築する統計的手法を提案する。 ランダム分布から厳密な結合パラメータベクトルをサンプリングすることにより、対応するトポロジカル指数にラベル付けしたデータセットを得る。 このラベル付きデータは、トポロジカル分類に最も関係したパラメータを抽出し、最も可能性が高い値を見つけるために分析される。 本稿では,Altland-Zirnbauer (AZ) クラス A におけるハニカム格子の原型的トポロジカル絶縁体として,Haldane モデルの予測という概念の証明として提示する。
  論文  参考訳（メタデータ） (2020-08-25T18:00:16Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)

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。