論文の概要: Student Copula Markov Networks

• arxiv url: http://arxiv.org/abs/2610.19135v1
• Date: Tue, 13 Oct 2026 20:05:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.780777
• Title: Student Copula Markov Networks
• Title（参考訳）: 学生コピュラマルコフネットワーク
• Abstract要約: これは、無向確率的グラフィカルモデルにおけるペアワイズマルコフ特性の特徴づけを確立する。 この特徴に基づいて、学生コーパスラマルコフネットワークにおけるペアワイズマルコフ特性に必要な条件を導出する。 ペナライズされた最大推定およびグラフ選択を容易にするために、期待-決定的最大化アルゴリズム(ECM)が提供される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper extends the applicability of probabilistic graphical models to non Gaussian data. It establishes a characterization of the pairwise Markov property in undirected probabilistic graphical models in terms of copula densities. Building on this characterization, we derive a necessary condition for the pairwise Markov property in Student copula Markov networks. An Expectation-Conditional Maximization algorithm (ECM) is provided to facilitate the penalized maximum likelihood estimation and graph selection. The performance of the proposed algorithm is evaluated through simulation studies, which demonstrate its effectiveness in estimating model parameters and recovering the underlying graph structure.
• Abstract（参考訳）: 本稿では,確率的グラフィカルモデルの適用性を非ガウスデータに適用する。 これは、コプラ密度の観点で、無向確率的グラフィカルモデルにおけるペアワイズマルコフ特性の特徴づけを確立する。 この特徴に基づいて、学生コーパスラマルコフネットワークにおけるペアワイズマルコフ特性に必要な条件を導出する。 ペナライズされた最大推定およびグラフ選択を容易にするために、期待-決定的最大化アルゴリズム(ECM)が提供される。 提案アルゴリズムの性能はシミュレーション研究により評価され,モデルパラメータの推定と基礎となるグラフ構造の復元の有効性が示された。

関連論文リスト

• Neural Network Parameter-optimization of Gaussian pmDAGs [0.0]
  因果推論に使用される既存のグラフィカル構造はガウスベイズネットワークの限界化の下では安定ではないことを示す。 本稿では、潜在変数モデルのパラメータ最適化と、仮定された分布列のパラメータ空間におけるフィードフォワードニューラルネットワークのトレーニングの第一の双対性を示す。 本稿では,因果効果が同定可能か否かをチェックするメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:07:00Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks [25.132159381873656]
  グラフ表現学習のための新しい確率的フレームワークであるグラフ誘導Sum-Product Networks (GSPNs)を紹介する。 このモデルが持つ競争力は,不足するデータの下での監視シナリオの不足や,一般的なニューラルモデルと比較したグラフ分類に代表される。
  論文  参考訳（メタデータ） (2023-05-17T20:02:08Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。