論文の概要: Integrating multi-source local information for global undirected graph reconstruction via integer programming

• arxiv url: http://arxiv.org/abs/2610.38729v1
• Date: Wed, 28 Oct 2026 19:24:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 09:01:07.016888
• Title: Integrating multi-source local information for global undirected graph reconstruction via integer programming
• Title（参考訳）: 整数プログラミングによる大域的無方向性グラフ再構成のためのマルチソースローカル情報の統合
• Abstract要約: 我々は異種部分観測源から共有グローバルグラフを再構成する枠組みを開発する。 我々のフレームワークは、観測された変数集合とソース固有の分布の両方が異なることを許している。 生データ、推定ソースグラフ、あるいは両方を組み合わせて、個々のレベルのデータへのアクセス制限による設定の調整を行う。
• 参考スコア（独自算出の注目度）: 1.8505047763172107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphical models are widely used to represent conditional independence structures, but learning them is challenging when data are fragmented across sources that measure different subsets of variables and may not be directly shareable. We develop a general framework for reconstructing a shared global graph from heterogeneous, partially observed sources. Our framework permits both the observed variable sets and source-specific distributions to differ. Under a source-wise faithfulness condition, local conditional independence graphs correspond to latent projections of the shared global graph, which is identifiable up to the equivalence class induced by the observed variable sets. The framework integrates raw data, estimated source graphs, or a combination of both, accommodating settings with restricted access to individual-level data, such as privacy constraints. We develop mixed-integer optimization formulations and scalable approximate algorithms for several classes of graphical models. Unlike standard high-dimensional analyses, our guarantees are governed by new combinatorial notions of signal strength that capture how information propagates across partially observed sources. Extensive simulations further show that integration can substantially improve estimation of source-specific projected graphs relative to separate source methods. Real-data application illustrates the framework's use with partially-observed sources of fatty acid measurements.
• Abstract（参考訳）: グラフモデルは、条件付き独立構造を表現するために広く使われているが、それらを学ぶことは、変数の異なるサブセットを測定するソース間でデータが断片化され、直接共有できない場合、困難である。 我々は異種部分観測源から共有グローバルグラフを再構築するための一般的な枠組みを開発する。 我々のフレームワークは、観測された変数集合とソース固有の分布の両方が異なることを許している。 ソースワイド忠実性条件の下では、局所条件独立グラフは共有グローバルグラフの潜在射影に対応し、観測された変数集合によって誘導される同値類に識別できる。 このフレームワークは、生のデータ、推定ソースグラフ、あるいは両方の組み合わせを統合し、プライバシー制約のような個々のレベルのデータへのアクセスを制限するように設定を調節する。 複数クラスのグラフィカルモデルに対する混合整数最適化法とスケーラブル近似アルゴリズムを開発した。 標準的な高次元解析とは異なり、我々の保証は部分的に観測された情報源間で情報がどのように伝播するかをキャプチャする信号強度の新たな組合せ的概念によって管理されている。 さらに大規模なシミュレーションにより、統合はソース固有の投影グラフの推定を、別々のソースメソッドと比較して大幅に改善できることが示される。 実データアプリケーションは、部分的に保存された脂肪酸測定のソースでフレームワークが使用されることを示す。

関連論文リスト

• On the Power of Source Screening for Learning Shared Feature Extractors [33.10812756558517]
  関連性や品質の低いデータソースが表現学習を妨げることはよく理解されている。 我々は、伝統的に「善」と見なされる情報源の収集に焦点をあてることで、どのデータソースを共同で学習すべきかという問題に焦点をあてる。 統計的に最適な部分空間推定において,ソーススクリーニングが中心的な役割を果たすことがわかった。
  論文  参考訳（メタデータ） (2026-02-18T01:32:10Z)
• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Generative Risk Minimization for Out-of-Distribution Generalization on Graphs [71.48583448654522]
  本稿では,抽出ではなく,各入力グラフの不変部分グラフを生成するために,GRM (Generative Risk Minimization) という革新的なフレームワークを提案する。 我々は,ノードレベルのOOD一般化とグラフレベルのOOD一般化のために,さまざまな実世界のグラフデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2025-02-11T21:24:13Z)
• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Multi-View Independent Component Analysis with Shared and Individual Sources [0.0]
  独立成分分析(Independent component analysis, ICA)は、観測データから独立成分源を線形にアンタングル化するためのブラインドソース分離法である。 我々は,対応する線形構造が識別可能であることを証明し,十分な多様なビューやデータポイントが利用できることを条件として,共有ソースを復元できることを示した。 実測値がノイズによって破損した場合にも,高次元設定で音源を復元することが実証的に示される。
  論文  参考訳（メタデータ） (2022-10-05T08:23:05Z)
• Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
  グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。 OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。 コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T04:38:39Z)
• Learning non-Gaussian graphical models via Hessian scores and triangular transport [6.308539010172309]
  連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。 このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
  論文  参考訳（メタデータ） (2021-01-08T16:42:42Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。