抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
学習指向非巡回グラフ(DAG)は,確率的および因果的モデリングのコアにおける重大な課題として知られている。行列指数トレースtr(exp(.))を含む微分可能関数による(Zheng et al., 2018)のNoTearsアプローチは,ノードの数dにおけるO(d ̄3)複雑性を有するが,連続最適化を介してDAGを学習する道を開く。本論文では,低ランクマトリックス因数分解を,DAGの連続最適化のために,低ランク行列因数分解と組み合わせた,低ランク行列分解を組み合わせた,低複雑性モデルを示した。このアプローチの主な貢献は,モデルの低ランク特性を利用する効率的な勾配近似法と,DAG行列空間へのグラフ行列からの射影の計算へのその直接的適用にある。提案方法は,NoTearsと同じDAG特性関数を扱い,射影問題のために数千のノードまで容易にスケールする間,立方複雑性から二次複雑性への縮小を達成した。実験により,LoRAMは,スパース行列の考慮範囲において,非常に中程度の精度損失を犠牲にして,また,モデルの低ランク成分のランク選択に対して低感度で,最新技術と比較して,桁の大きさの効率性利得を達成することを示した。【JST・京大機械翻訳】