Module-based regularization improves Gaussian graphical models when observing noisy data

要約

タイトル：ノイズのあるデータを観察する場合に、モジュールベースの正則化がガウスグラフィカルモデルを改善する。

要約：

– 相関データから関係を推測することで、変数間の複雑な接続関係を発見し、その下にあるメカニズムを理解するために、科学のあらゆる分野にわたって研究者が使用する。
– この分野では、推論された関係をガウスグラフィカルモデルを用いて表現することが一般的であり、モデルを疎にするために正則化が必要とされる。
– しかし、推論されたネットワークのモジュラー構造がしばしば研究されていることを認識し、適切な下、過適合をバランスするために、モジュールベースの正則化が提案されている。
– ガウスロジスティックスの場合、正則化の強さを推定するために標準的な方法で行われるグラフィカルラッソと比較すると、このアプローチは、ノイズのある合成および実データでのモジュラーストラクチャを復元・推測できる。
– このモジュールベースの正則化テクニックは、ガウスグラフィカルモデルが使用されている多数の応用分野で、モデルの有用性が向上する。

要約(オリジナル)

Inferring relations from correlational data allows researchers across the sciences to uncover complex connections between variables for insights into the underlying mechanisms. The researchers often represent inferred relations using Gaussian graphical models, requiring regularization to sparsify the models. Acknowledging that the modular structure of the inferred network is often studied, we suggest module-based regularization to balance under- and overfitting. Compared with the graphical lasso, a standard approach using the Gaussian log-likelihood for estimating the regularization strength, this approach better recovers and infers modular structure in noisy synthetic and real data. The module-based regularization technique improves the usefulness of Gaussian graphical models in the many applications where they are employed.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI