Methods for Recovering Conditional Independence Graphs: A Survey

要約

条件付き独立性 (CI) グラフは、主に特徴の関係についての洞察を得るために使用される確率的グラフィカル モデルの一種です。
各エッジは、接続されたフィーチャ間の部分的な相関関係を表し、フィーチャの直接的な依存関係に関する情報が得られます。
この調査では、さまざまな方法をリストし、CI グラフを復元するために開発された技術の進歩を調査します。
従来の最適化手法だけでなく、最近開発された深層学習アーキテクチャとその推奨実装についても取り上げます。
より広範な採用を促進するために、混合データ型の共分散行列を取得する手法など、関連する操作を統合する予備的な機能が含まれています。

要約(オリジナル)

Conditional Independence (CI) graphs are a type of probabilistic graphical models that are primarily used to gain insights about feature relationships. Each edge represents the partial correlation between the connected features which gives information about their direct dependence. In this survey, we list out different methods and study the advances in techniques developed to recover CI graphs. We cover traditional optimization methods as well as recently developed deep learning architectures along with their recommended implementations. To facilitate wider adoption, we include preliminaries that consolidate associated operations, for example techniques to obtain covariance matrix for mixed datatypes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google