On Different Notions of Redundancy in Conditional-Independence-Based Discovery of Graphical Models

要約

グラフィカルモデルの条件付き独立ベースの発見の目標は、特定のデータセット内の変数の独立性構造を表すグラフを見つけることです。
このような表現を学ぶために、条件付き独立ベースのアプローチは、データの基礎となる分布に関するいくつかの仮定の下でグラフィカルな表現を識別するのに十分な統計テストのセットを実施します。
この作業では、グラフィック表現の簡潔さにより、グラフの構築に使用されない多くのテストがしばしばあることを強調しています。
これらの冗長テストは、学習されたモデルでエラーを検出または修正する可能性があります。
すべてのテストにこの追加情報が含まれているわけではなく、そのような冗長なテストを注意して適用する必要があることを示します。
正確には、特にそれらの条件付き（in）依存ステートメントは、グラフィカルな仮定からのみ続くが、すべての確率分布には当てはまらないという興味深いものであると主張します。

要約(オリジナル)

The goal of conditional-independence-based discovery of graphical models is to find a graph that represents the independence structure of variables in a given dataset. To learn such a representation, conditional-independence-based approaches conduct a set of statistical tests that suffices to identify the graphical representation under some assumptions on the underlying distribution of the data. In this work, we highlight that due to the conciseness of the graphical representation, there are often many tests that are not used in the construction of the graph. These redundant tests have the potential to detect or sometimes correct errors in the learned model. We show that not all tests contain this additional information and that such redundant tests have to be applied with care. Precisely, we argue that particularly those conditional (in)dependence statements are interesting that follow only from graphical assumptions but do not hold for every probability distribution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google