論文の概要: Projection Pursuit Gaussian Process Regression

• arxiv url: http://arxiv.org/abs/2004.00667v2
• Date: Tue, 30 Aug 2022 19:17:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 18:09:35.476868
• Title: Projection Pursuit Gaussian Process Regression
• Title（参考訳）: 投射探索ガウス過程回帰
• Authors: Gecheng Chen, Rui Tuo
• Abstract要約: コンピュータ実験の第一の目的は、分散評価によってコンピュータコードによって与えられる機能を再構築することである。 従来の等方的ガウス過程モデルは、限られたデータポイントに対して入力次元が比較的高いとき、次元の呪いに悩まされる。 非パラメトリック部分は加法ガウス過程の回帰によって駆動される射影追従モデルを考える。
• 参考スコア（独自算出の注目度）: 5.837881923712394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A primary goal of computer experiments is to reconstruct the function given by the computer code via scattered evaluations. Traditional isotropic Gaussian process models suffer from the curse of dimensionality, when the input dimension is relatively high given limited data points. Gaussian process models with additive correlation functions are scalable to dimensionality, but they are more restrictive as they only work for additive functions. In this work, we consider a projection pursuit model, in which the nonparametric part is driven by an additive Gaussian process regression. We choose the dimension of the additive function higher than the original input dimension, and call this strategy "dimension expansion". We show that dimension expansion can help approximate more complex functions. A gradient descent algorithm is proposed for model training based on the maximum likelihood estimation. Simulation studies show that the proposed method outperforms the traditional Gaussian process models. The Supplementary Materials are available online.
• Abstract（参考訳）: コンピュータ実験の主な目的は、分散評価によってコンピュータコードによって与えられる関数を再構築することである。 従来の等方的ガウス過程モデルは、限られたデータポイントに対して入力次元が比較的高いとき、次元の呪いに悩まされる。 加法相関関数を持つガウス過程モデルは次元にスケーラブルであるが、加法関数でのみ機能するためより制限的である。 本研究では,非パラメトリック部分は加法ガウス過程の回帰によって駆動される射影追従モデルについて考察する。 我々は、元の入力次元よりも高い加法関数の次元を選択し、この戦略を「次元拡大」と呼ぶ。 次元拡大はより複雑な関数の近似に役立つ。 最大確率推定に基づくモデル学習のための勾配降下アルゴリズムを提案する。 シミュレーション研究により,提案手法は従来のガウス過程モデルよりも優れていることが示された。 Supplementary Materialsはオンラインで入手できる。

関連論文リスト

• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Combining additivity and active subspaces for high-dimensional Gaussian process modeling [2.7140711924836816]
  本稿では,高次元ガウス過程モデリングと多面性戦略を組み合わせる方法について述べる。 高次元ガウス過程モデリングへの我々の貢献は、これらを多面的戦略と組み合わせ、合成関数やデータセットの実験を通じて利点を示すことである。
  論文  参考訳（メタデータ） (2024-02-06T08:49:27Z)
• Projecting basis functions with tensor networks for Gaussian process regression [5.482420806459269]
  我々は,指数的計算複雑性を伴わない指数的基底関数を利用できるアプローチを開発した。 結果の重みを元の空間に投影してGP予測を行う。 18次元のベンチマークデータセットを用いた実験では,逆動力学問題に対する本手法の適用性を示す。
  論文  参考訳（メタデータ） (2023-10-31T16:59:07Z)
• Implicit Manifold Gaussian Process Regression [49.0787777751317]
  ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。 これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。 本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T09:52:48Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Additive Gaussian Processes Revisited [13.158344774468413]
  加法構造を持つフレキシブルな非パラメトリックGPモデルを提案する。 我々は,OAKモデルがブラックボックスモデルと同じような,あるいはより良い予測性能を実現することを示す。 少数の加法的低次元項だけで、OAKモデルがブラックボックスモデルと比較して類似またはより良い予測性能を達成することを実証する。
  論文  参考訳（メタデータ） (2022-06-20T15:52:59Z)
• RMFGP: Rotated Multi-fidelity Gaussian process with Dimension Reduction for High-dimensional Uncertainty Quantification [12.826754199680474]
  マルチフィデリティモデリングは、少量の正確なデータしか入手できない場合でも、正確な推測を可能にする。 高忠実度モデルと1つ以上の低忠実度モデルを組み合わせることで、多忠実度法は興味のある量の正確な予測を行うことができる。 本稿では,回転多要素ガウス過程の回帰に基づく新しい次元削減フレームワークとベイズ能動学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-11T01:20:35Z)
• Gaussian Processes and Statistical Decision-making in Non-Euclidean Spaces [96.53463532832939]
  我々はガウス過程の適用性を高める技術を開発した。 この観点から構築した効率的な近似を幅広く導入する。 非ユークリッド空間上のガウス過程モデルの集合を開発する。
  論文  参考訳（メタデータ） (2022-02-22T01:42:57Z)
• Multi-fidelity data fusion for the approximation of scalar functions with low intrinsic dimensionality through active subspaces [0.0]
  アクティブな部分空間を含む多面的アプローチを提案し、それを2つの異なる高次元ベンチマークでテストする。 本研究では,アクティブな部分空間を含む多元性アプローチを提案し,これを2つの異なる高次元ベンチマークで検証する。
  論文  参考訳（メタデータ） (2020-10-16T12:35:49Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。