論文の概要: Trail-Weighted Influence Scores for Approximate Outcome Prediction in Bayesian Networks
- arxiv url: http://arxiv.org/abs/2610.27366v1
- Date: Mon, 19 Oct 2026 22:46:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.538279
- Title: Trail-Weighted Influence Scores for Approximate Outcome Prediction in Bayesian Networks
- Title（参考訳）: ベイジアンネットワークにおける近似出力予測のためのトレイル重み付き影響スコア
- Abstract要約: ベイジアン・ネットワークの予測のための証拠の軌跡重み付けについて検討する。
バイナリ変数上のコライダーフリーネットワーク(チェーンとフォーク)に対して、トレイルスコアがトレイルのエンドポイント間の正確な相関に等しいことを示す。
しきい値の閾値は,同じ大きさのランダムプルーニングの1.4～13倍の誤差を示した。
- 参考スコア（独自算出の注目度）: 0.8356765961526954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study trail-weighted pruning of evidence for Bayesian-network prediction. A traversal enumerates the active trails from each evidence node to the outcome, scores each trail by the product of its edge strengths, and drops evidence whose score falls below a threshold. For collider-free networks (chains and forks) over binary variables, we show that the trail score equals the exact correlation between a trail's endpoints, that a chain and a fork with equal edge strengths have identical joint distributions, and that the pruned posterior is within a computable sum of per-trail terms of the exact posterior when each dropped trail lies in its own branch of the outcome node. We prove this bound, check it exhaustively on all small trees, and show that it fails when dropped trails share a branch. In simulations on random trees, thresholding trail scores gives 1.4 to 13 times lower error than random pruning of the same size. We also apply the score, as an unproven heuristic, to seven bnlearn networks with colliders and loops. Keeping the top half of the active evidence by trail score gives lower error than random pruning on all seven, but it is not clearly better than a mutual-information ranking, and scoring costs more than the inference it saves on six of the seven, so we show no speedup. Models trained on trail, graph and information features and tested on networks they never saw do not beat the trail score or mutual information, but trail features carry most of what they use and clearly outperform generic graph features. A bound for general networks is left to future work.
- Abstract（参考訳）: ベイジアン・ネットワークの予測のための証拠の軌跡重み付けについて検討する。
トラバーサルは、各エビデンスノードから結果へのアクティブなトレイルを列挙し、そのエッジ強度の積によって各トレイルをスコアし、スコアがしきい値を下回るエビデンスをドロップする。
二乗変数上のコライダーフリーネットワーク(チェーンとフォーク)では、軌跡スコアがトレイルの終点間の正確な相関と等しいこと、鎖と端の強度が等しいフォークが同一の関節分布を持つこと、そして、切断された後部は、それぞれの降下した軌跡が結果ノードのそれぞれの分岐にあるときに、正確な後部のトラル項の計算可能な和内にあること、を示す。
この境界を証明し、すべての小さな木で徹底的にチェックし、落下したトレイルが枝を共有したときに失敗することを示す。
ランダムツリーのシミュレーションでは、しきい値の軌跡スコアは同じ大きさのランダムプルーニングの1.4～13倍の誤差が与えられる。
また、このスコアを不証明なヒューリスティックとして、衝突器とループを持つ7つのbnlearnネットワークに適用する。
有効証拠の上位半分を軌跡スコアで保持すると、ランダムプルーニングよりもランダムプルーニングよりも低い誤差が得られるが、相互情報ランキングよりも明らかに良くない。
トレイル、グラフ、情報機能で訓練されたモデルや、それまで見たことのないネットワークでテストされたモデルは、パススコアや相互情報を上回っない。
一般的なネットワークへの制限は将来の作業に委ねられる。
関連論文リスト
- RIFT: Token Influence Follows the Path of Least Resistance [0.0]
アテンションロールアウトやアテンションフローのようなグラフベースのツールは、これを1つのフォワードパスから答える。
我々はデコーダの層を,コンダクタンスを注意重みとする因果ネットワークとみなす。
本稿では,最小抵抗の経路の直列抵抗でトークンをスコアリングするRIFTを提案する。
論文 参考訳（メタデータ） (2026-10-12T08:06:28Z) - Beyond Edge Cuts: Activity-Weighted Multicast Hypergraph Mapping for Spiking Neural Networks on Mesh NoCs [0.0]
本稿では,M-HySMapを提案する。
We show that M-HySMap reduces routed multicast hops over Activity+QAP and 19.7-41.1% over Edge+QAP。
論文 参考訳（メタデータ） (2026-08-26T13:16:43Z) - TraceGraph: Shared Decision Landscapes for Diagnosing and Improving Agent Trajectories [61.51984029109709]
グラフベースのフレームワークであるTraceGraphを紹介した。
各タスクに対して、TraceGraphは、モデルIDが導入される前に、プールされたロールアウトから観測可能なアクション・オブザーブレーション状態のグラフを構築する。
次に、結果インフォームされた生産的なコアとトラップリージョンをオーバーレイし、各ロールアウトを3つのイベント – アクセス、トラップ露出、修復 – で要約する。
論文 参考訳（メタデータ） (2026-05-29T13:40:31Z) - How Language Models Process Out-of-Distribution Inputs: A Two-Pathway Framework [1.4721615285883427]
近年のLCMのホワイトボックスOOD法は, 配列長によって構造的に整合化されている。
長さ整合評価下において, ほぼ一致で崩壊することを示す。
分解後の真のOOD信号を特定するために,2経路の枠組みを提案する。
論文 参考訳（メタデータ） (2026-04-30T22:06:02Z) - Structure-Aware DropEdge Towards Deep Graph Convolutional Networks [83.38709956935095]
グラフ畳み込みネットワーク(GCN)は、複数のレイヤが積み重なると、パフォーマンスが著しく低下する。
オーバースムーシングは、入力からのネットワーク出力を、ネットワーク深さの増加、表現率の低下、およびトレーニング容易性によって分離する。
我々はDropEdgeの洗練された対策について検討する。
論文 参考訳（メタデータ） (2023-06-21T08:11:40Z) - BeMap: Balanced Message Passing for Fair Graph Neural Network [50.910842893257275]
異なる人口集団の1ホップ隣人がバランスが取れていない場合、メッセージパッシングがバイアスを増幅することを示します。
本研究では,各ノードの1ホップ隣人の数を異なるグループ間でバランスをとる,公平なメッセージパッシング手法であるBeMapを提案する。
論文 参考訳（メタデータ） (2023-06-07T02:16:36Z) - SiamTHN: Siamese Target Highlight Network for Visual Tracking [11.111738354621595]
シームズネットワークベースのトラッカーは、バックボーンネットワークによって生成された特徴マップ内の各チャネルを等しく扱う。
これらのトラッカーにおける分類と回帰分岐の間の構造的リンクはなく、2つの分岐はトレーニング中に個別に最適化される。
Target Highlight Moduleは、生成された類似性応答マップがターゲット領域にもっと焦点を合わせるのを助けるために提案されている。
論文 参考訳（メタデータ） (2023-03-22T04:33:02Z) - Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph
Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。
ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。
合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文 参考訳（メタデータ） (2023-01-07T05:14:45Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳（メタデータ） (2022-12-25T23:19:56Z) - Probing Predictions on OOD Images via Nearest Categories [97.055916832257]
ニューラルネットワークが未確認のクラスや破損したイメージから画像を分類する際のアウト・オブ・ディストリビューション(OOD)予測挙動について検討する。
我々は、トレーニングセットにおいて、最も近い隣人と同じラベルで分類されたOOD入力の分数を計算するため、新しい測度、最も近いカテゴリ一般化(NCG)を導入する。
我々は、OODデータがロバストネス半径よりも遥かに遠くにある場合でも、ロバストネットワークは自然訓練よりも一貫してNCG精度が高いことを発見した。
論文 参考訳（メタデータ） (2020-11-17T07:42:27Z) - Investigating Extensions to Random Walk Based Graph Embedding [0.3867052484157571]
ランダムウォークに基づくグラフ埋め込みの新たな拡張を提案する。これは、ウォークから最も頻度の低いノードのパーセンテージを異なるレベルで除去する。
この除去により、我々は遠く離れたノードがノードの近傍に存在することをシミュレートし、従ってそれらの接続を明示的に表現する。
その結果、ランダムウォークベースの手法の拡張(うちを含む)は、予測性能をほんの少しだけ改善することがわかった。
論文 参考訳（メタデータ） (2020-02-17T21:14:02Z)
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。