グラフィカルモデルの検索結果1 - 3 件 / 3件

• あとで読む

  グラフィカルモデルに基づく因果探索手法の調査 - Fire Engine

  • 28 users
  • blog.tsurubee.tech
  • テクノロジー
  • 2020/10/08

  最近，因果推論や因果探索に興味を持ち，勉強している．というのも最近，ゆううきさん と一緒に分散システムの異常の原因を即時に診断するための研究を進めている．原因を診断するためのアプローチとして，サーバやコンテナ等から取得できる様々なメトリック（CPU使用率やメモリ使用率など）を（グラフ理論における）ノードとして，因果グラフを構築することを考えている．メトリック同士の単なる「相関」ではなく，結果と原因の関係である「因果」を捉えようとするアプローチである．例えば，システムの障害が発生した場合，相関だけでは，AとBが関連がありそうというところまでしか言えないが，因果を特定できると理想的には，Aの原因はBであるといった議論ができるため，有用だと考えている． 実際に，前述のような因果グラフを構築して障害の原因を特定しようというアプローチは，以下の例に挙げるようにここ数年で増えている印象がある． 「Mi

  • 因果探索
  • graph
  • アルゴリズム
  • algorithm

  
• あとで読む

  確率モデリングのための確率分布の式変形基本【ベイズの定理/グラフィカルモデル】 - HELLO CYBERNETICS

  • 4 users
  • www.hellocybernetics.tech
  • テクノロジー
  • 2020/08/14

  はじめに 確率モデリング 確率変数間の関係性記述 ベイズの定理と条件付き分布 関係性の記述と事後分布の導出 いろいろなパターンの練習 パターン１ パターン2 同時分布とグラフィカルモデル 基本事項 すべて互いに関連 すべて互いに独立 有向グラフ化 関連を断ち切ることによるモデリング 最後に はじめに 確率モデリングでは、複数の確率変数間の関係性を記述するということが必要になります。 そうして確率変数間の関係性を記述したら、あとは観測できているデータは確率変数を所与としてしまい、その観測データの条件付き分布により、他の確率変数の事後分布を表現するということを行います。 この事後分布を求める部分をいわゆる学習と呼び、その後、事後分布を用いて予測したい変数の値を分布として（あるいは分布からのサンプリングとして）出力させることで予測を行います。 しかし、多くの確率モデリングの初学者は、実は確率変数

  • 機械学習
  • techfeed
  • あとで読む

  
• あとで読む

  TikZ でグラフィカルモデルを書こう！ | TELLNNN

  • 3 users
  • tellnnn.netlify.app
  • テクノロジー
  • 2020/12/18

  この記事は ベイズ塾 Advent Calendar 2020 の 18 日目の記事です。 グラフィカルモデル（プレート表現）ベイジアンモデリングにおいて、モデルが複雑であるばあい、グラフィカルモデル（プレート表現）がその理解の補助的な役割を果たします（といいつつ、あんまり見かけない……人気ないのかな……）。 グラフィカルモデル（プレート表現）の記法はひとつでなく、少なくとも Lee & Wagenmakers. (2013). Bayesian Cognitive Modeling.（通称：怖い人本）で紹介されているものや、Kruschke. (2015). Doing Bayesian data analysis.（通称：犬4匹本）1で使われているものなどがあります。 個人的に前者のものの方がシンプルで好みなので、この記事は前者の記法を採用します。その記法は 原著 p.18 / 邦訳

  • bayes
  • あとで読む