論文の概要: Genetic Algorithms for Tractable Bayesian Network Fusion via Pre-Fusion Edge Pruning

• arxiv url: http://arxiv.org/abs/2609.03724v1
• Date: Thu, 03 Sep 2026 11:55:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.049681
• Title: Genetic Algorithms for Tractable Bayesian Network Fusion via Pre-Fusion Edge Pruning
• Title（参考訳）: プレフュージョンエッジプルーニングによるトラクタブルベイズネットワーク融合のための遺伝的アルゴリズム
• Abstract要約: 本稿では,木幅制約を適用しつつ,入力ネットワーク間の共有構造を優先するコンセンサスフレームワークを提案する。 合成および実世界のBNの実験では、提案された遺伝的アルゴリズムが適応された方法や欲求ベースラインよりも優れていることが示されている。
• 参考スコア（独自算出の注目度）: 3.5232028627328895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian Network (BN) fusion combines multiple input networks into a single structure, balancing dependency preservation with computational tractability. While unrestricted fusion retains all dependencies, it often results in overly complex networks with high treewidth, which affects inference scalability. Limited fusion mitigates this by pruning edges to control treewidth but risks overfitting to input-specific noise and omitting dependencies from the original BNs. This paper introduces a consensus framework that prioritizes shared structures among input networks while enforcing treewidth constraints, ensuring a good consensus. We propose genetic algorithms with advanced initialization, specialized operators, and a tailored fitness function. Additionally, we adapt existing methods to this problem and implement greedy baselines for benchmarking and further optimization. Experiments on synthetic and real-world BNs show the superiority of the proposed genetic algorithms over the adapted methods and greedy baselines.
• Abstract（参考訳）: Bayesian Network (BN) は、複数の入力ネットワークを単一の構造に結合し、依存の保存と計算的トラクタビリティのバランスをとる。 制限のない融合はすべての依存関係を保持するが、しばしば高木幅の複雑ネットワークとなり、推論のスケーラビリティに影響を及ぼす。 限定核融合は、エッジを切断してツリー幅を制御することでこれを緩和するが、入力固有のノイズに過度に適合し、元のBNからの依存関係を省略するリスクがある。 本稿では、木幅制約を適用しつつ、入力ネットワーク間の共有構造を優先するコンセンサスフレームワークを導入し、良好なコンセンサスを確保する。 本稿では,先進初期化,特殊演算子,適合機能を備えた遺伝的アルゴリズムを提案する。 さらに、既存の手法をこの問題に適応させ、ベンチマークやさらなる最適化のためのグリーディベースラインを実装します。 合成および実世界のBNの実験では、提案された遺伝的アルゴリズムが適応された方法や欲求ベースラインよりも優れていることが示されている。

関連論文リスト

• Structural Fusion of Bayesian Networks with Limited Treewidth Using Genetic Algorithms [3.4473935399022415]
  本稿では,限られた木幅の制約の下で,構造ベイズネットワーク(BN)融合におけるコンセンサスに対する進化的アプローチを紹介する。 このコンセンサスBNは、複数の入力BNを元のネットワークに存在する重要な構造的特徴を保持する単一のBNに再構成することを目的としている。 遺伝的アルゴリズムは、木幅制限を確実にしながら、可能な限り非制限核融合に関する情報を符号化するBNを探すために提案されている。
  論文  参考訳（メタデータ） (2026-09-09T14:57:11Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• A Federated Fine-Tuning Paradigm of Foundation Models in Heterogenous Wireless Networks [43.049216349313575]
  エッジデバイスは、基地局とのファインチューニングのためのLoRAモジュールを動的に切り替え、異種伝送の影響を緩和する。 計算複雑性の問題を解決するために,オンライン最適化アルゴリズムを開発した。 SST-2およびQNLIデータセットのシミュレーション結果は、試験精度とエネルギー効率における性能向上を示す。
  論文  参考訳（メタデータ） (2025-09-05T06:38:36Z)
• Bayesian Network Structural Consensus via Greedy Min-Cut Analysis [3.5232028627328895]
  Min-Cut Bayesian Network Consensus (MCBNC)はBayesian Networks (BN)の構造的コンセンサスのための欲求的手法である MCBNCは、ミンカット分析に基づく構造スコアを用いて、初期非制限核融合から弱いエッジを抽出する。 この方法はスケーラブルで、データに依存しず、分散またはフェデレートされたシナリオに適しています。
  論文  参考訳（メタデータ） (2025-04-01T06:47:33Z)
• Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
  本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。 組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
  論文  参考訳（メタデータ） (2022-08-08T03:13:24Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Layer Adaptive Node Selection in Bayesian Neural Networks: Statistical Guarantees and Implementation Details [0.5156484100374059]
  スパースディープニューラルネットワークは、大規模研究において予測モデル構築に効率的であることが証明されている。 本稿では,スパイク・アンド・スラブ型ガウス先行法を用いて,訓練中のノード選択を可能にするベイズスパース解を提案する。 本研究は, 先行パラメータのキャラクタリゼーションとともに, 変動的後続一貫性の基本的な結果を確立する。
  論文  参考訳（メタデータ） (2021-08-25T00:48:07Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)
• On Topology Optimization and Routing in Integrated Access and Backhaul Networks: A Genetic Algorithm-based Approach [70.85399600288737]
  IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。 我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。 メッシュベースのIABネットワークを実現する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-02-14T21:52:05Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。