グラフからDAGへ:低複雑度モデルとスケーラブルアルゴリズム【JST・京大機械翻訳】

Dong Shuyu; Sebag Michele

プレプリント

J-GLOBAL ID：202202209893860836 整理番号：22P0329066

グラフからDAGへ:低複雑度モデルとスケーラブルアルゴリズム【JST・京大機械翻訳】

From graphs to DAGs: a low-complexity model and a scalable algorithm

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年04月10日プレプリントサーバーでの情報更新日： 2022年04月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

数値計算 , 人工知能

, , ,

前のページに戻る