論文の概要: MOGPTK: The Multi-Output Gaussian Process Toolkit
- arxiv url: http://arxiv.org/abs/2002.03471v1
- Date: Sun, 9 Feb 2020 23:34:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 14:35:05.563230
- Title: MOGPTK: The Multi-Output Gaussian Process Toolkit
- Title（参考訳）: MOGPTK:多出力ガウスプロセスツールキット
- Authors: Taco de Wolff and Alejandro Cuevas and Felipe Tobar
- Abstract要約: ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。
このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
- 参考スコア（独自算出の注目度）: 71.08576457371433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present MOGPTK, a Python package for multi-channel data modelling using
Gaussian processes (GP). The aim of this toolkit is to make multi-output GP
(MOGP) models accessible to researchers, data scientists, and practitioners
alike. MOGPTK uses a Python front-end, relies on the GPflow suite and is built
on a TensorFlow back-end, thus enabling GPU-accelerated training. The toolkit
facilitates implementing the entire pipeline of GP modelling, including data
loading, parameter initialization, model learning, parameter interpretation, up
to data imputation and extrapolation. MOGPTK implements the main multi-output
covariance kernels from literature, as well as spectral-based parameter
initialization strategies. The source code, tutorials and examples in the form
of Jupyter notebooks, together with the API documentation, can be found at
http://github.com/GAMES-UChile/mogptk
- Abstract（参考訳）: ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。
このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
MOGPTKはPythonのフロントエンドを使用し、GPflowスイートに依存し、TensorFlowバックエンド上に構築されている。
このツールキットは、データローディング、パラメータ初期化、モデル学習、パラメータ解釈、データインプテーションと外挿を含むgpモデリングのパイプライン全体を実装することを容易にする。
MOGPTKは、文献からの主要なマルチ出力共分散カーネルを実装し、スペクトルベースのパラメータ初期化戦略を実装している。
Jupyterノートブックのソースコード、チュートリアル、例はAPIドキュメントとともにhttp://github.com/GAMES-UChile/mogptkにある。
関連論文リスト
- GP+: A Python Library for Kernel-based learning via Gaussian Processes [0.0]
ガウス過程(GP)を通したカーネルベースの学習用オープンソースライブラリGP+を紹介する。
GP+はPyTorch上に構築されており、確率的学習と推論のためのユーザフレンドリでオブジェクト指向のツールを提供する。
論文 参考訳（メタデータ） (2023-12-12T19:39:40Z) - pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。
pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
論文 参考訳（メタデータ） (2022-11-07T14:23:10Z) - Shallow and Deep Nonparametric Convolutions for Gaussian Processes [0.0]
GPの非パラメトリックプロセス畳み込み定式化を導入し,機能サンプリング手法を用いて弱点を緩和する。
古典的ディープGPモデルの代替となるこれらの非パラメトリック畳み込みの合成を提案する。
論文 参考訳（メタデータ） (2022-06-17T19:03:04Z) - Stochastic Gradient Descent without Full Data Shuffle [65.97105896033815]
CorgiPileは階層的なデータシャッフル戦略で、完全なデータシャッフルを回避すると同時に、完全なシャッフルを実行したかのようにSGDの収束率を同等に維持する。
以上の結果から,CorgiPileは深層学習モデルと一般化線形モデルの両方において,全シャッフルベースSGDと同等の収束率を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-12T20:04:31Z) - PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。
PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。
PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文 参考訳（メタデータ） (2022-01-12T07:32:36Z) - Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。
NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-10-26T10:45:25Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳（メタデータ） (2021-10-13T15:11:25Z) - Deep Gaussian Process Emulation using Stochastic Imputation [0.0]
本稿では,命令を用いた計算機モデルエミュレーションのための新しいディープガウス過程 (DGP) 推論法を提案する。
この手法は、遅延層を強制的に命令することで、DGPをリンクされたGPに変換し、これは、フィードフォワード結合GPの系をリンクすることによって形成される最先端の代理モデルである。
論文 参考訳（メタデータ） (2021-07-04T10:46:23Z) - Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。
tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。
カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
論文 参考訳（メタデータ） (2021-01-27T17:16:36Z) - Kernel methods library for pattern analysis and machine learning in
python [0.0]
kernelmethodsライブラリは、ドメインに依存しない方法で、python MLエコシステムにおける重要な空白を埋めます。
このライブラリは、カーネルベースの操作を効率的にするための、よく定義された多くのクラスを提供する。
論文 参考訳（メタデータ） (2020-05-27T16:44:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。