ترجمه فارسی مقاله مدل‌سازی گرافیکی بدون فرضیات استقلال برای داده‌های غیرمرکزی

چکیده

The independence assumption is a useful tool to increase the tractability of one’s modelling framework. However, this assumption does not match reality; failing to take dependencies into account can cause models to fail dramatically. The field of multi-axis graphical modelling (also called multi-way modelling, Kronecker-separable modelling) has seen growth over the past decade, but these models require that the data have zero mean. In the multi-axis case, inference is typically done in the single sample scenario, making mean inference impossible. In this paper, we demonstrate how the zero-mean assumption can cause egregious modelling errors, as well as propose a relaxation to the zero-mean assumption that allows the avoidance of such errors. Specifically, we propose the “Kronecker-sum-structured mean” assumption, which leads to models with nonconvex-but-unimodal log-likelihoods that can be solved efficiently with coordinate descent.

چکیده به فارسی (ترجمه ماشینی)

فرض استقلال ابزاری مفید برای افزایش قابلیت تغییر چارچوب مدل سازی فرد است.با این حال ، این فرض با واقعیت مطابقت ندارد.عدم در نظر گرفتن وابستگی ها می تواند باعث شود مدل ها به طرز چشمگیری از بین بروند.زمینه مدل سازی گرافیکی چند محوره (که به آن مدل سازی چند طرفه نیز گفته می شود ، مدل سازی قابل جدا شدن Kronecker) در طی یک دهه گذشته شاهد رشد بوده است ، اما این مدل ها نیاز دارند که داده ها دارای میانگین صفر باشند.در مورد چند محوره ، استنباط به طور معمول در سناریوی نمونه واحد انجام می شود و میانگین استنتاج را غیرممکن می کند.در این مقاله ، ما نشان می دهیم که چگونه فرض صفر به معنی می تواند باعث ایجاد خطاهای مدل سازی گسترده شود ، و همچنین آرامش را به فرض صفر متوسط ​​پیشنهاد می کنیم که امکان جلوگیری از چنین خطاهایی را فراهم می کند.به طور خاص ، ما فرض “میانگین ساختار یافته Kronecker” را پیشنهاد می کنیم ، که منجر به مدل هایی با احتمال ورود به سیستم غیر کنگوکس اما غیر غیرمعمول می شود که با نزول مختصات قابل حل است.