論文の概要: Structural Fusion of Bayesian Networks with Limited Treewidth Using Genetic Algorithms

• arxiv url: http://arxiv.org/abs/2609.10276v1
• Date: Wed, 09 Sep 2026 14:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.070445
• Title: Structural Fusion of Bayesian Networks with Limited Treewidth Using Genetic Algorithms
• Title（参考訳）: 遺伝的アルゴリズムを用いた限られた木幅を持つベイズネットワークの構造融合
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.4473935399022415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces an evolutionary computation approach for consensus in structural Bayesian Network (BN) fusion under the constraint of limited treewidth. The consensus BN aims to reconcile multiple input BNs into a single one that retains key structural features present in the original networks. Treewidth, a graph-based parameter associated with computationally tractable inference, is utilized to restrict the complexity of the resulting network. A genetic algorithm is proposed to look for a BN that codifies as much information about the unrestricted fusion as possible while ensuring the treewidth restriction. Experimental evaluation demonstrates the genetic algorithm's ability to obtain consensus BNs with limited treewidth, providing a valuable tool for aggregating information from diverse sources while returning a computationally actionable model.
• Abstract（参考訳）: 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計算手法を提案する。 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。 Treewidthは、計算的に抽出可能な推論に関連付けられたグラフベースのパラメータであり、結果として生じるネットワークの複雑さを制限するために使用される。 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。 実験的評価は、遺伝的アルゴリズムが限られた木幅でコンセンサスBNを得る能力を示し、計算可能なモデルを返すとともに、様々なソースから情報を集約する貴重なツールを提供する。

関連論文リスト

• Genetic Algorithms for Tractable Bayesian Network Fusion via Pre-Fusion Edge Pruning [3.5232028627328895]
  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。
  論文  参考訳（メタデータ） (2026-09-03T11:55:48Z)
• 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)
• 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)
• A Discrete Perspective Towards the Construction of Sparse Probabilistic Boolean Networks [3.807361298718093]
  スパースPBNを構築するための新しいGreedy Entry removal (GER)アルゴリズムを提案する。 GERは最先端のスパースPBN構築アルゴリズムの中で最高の性能を提供する。
  論文  参考訳（メタデータ） (2024-07-16T09:50:04Z)
• 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)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Algorithm Unrolling for Massive Access via Deep Neural Network with Theoretical Guarantee [30.86806523281873]
  大規模アクセスはIoT(Internet of Things)ネットワークにおける重要な設計課題である。 我々は、マルチアンテナベースステーション(BS)と多数の単一アンテナIoTデバイスを備えたIoTネットワークの無許可アップリンク伝送を検討する。 本稿では,低計算複雑性と高ロバスト性を実現するために,ディープニューラルネットワークに基づく新しいアルゴリズムアンローリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T05:23:05Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• 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)
• A Convergence Theory Towards Practical Over-parameterized Deep Neural Networks [56.084798078072396]
  ネットワーク幅と収束時間の両方で既知の理論境界を大幅に改善することにより、理論と実践のギャップを埋める一歩を踏み出します。 本研究では, サンプルサイズが2次幅で, 両者の時間対数で線形なネットワークに対して, 地球最小値への収束が保証されていることを示す。 私たちの分析と収束境界は、いつでも合理的なサイズの同等のRELUネットワークに変換できる固定アクティベーションパターンを備えたサロゲートネットワークの構築によって導出されます。
  論文  参考訳（メタデータ） (2021-01-12T00:40:45Z)

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。