論文の概要: Accounting for Input Noise in Gaussian Process Parameter Retrieval
- arxiv url: http://arxiv.org/abs/2005.09907v1
- Date: Wed, 20 May 2020 08:23:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 04:57:17.385214
- Title: Accounting for Input Noise in Gaussian Process Parameter Retrieval
- Title（参考訳）: ガウス過程パラメータ検索における入力ノイズの計算
- Authors: J. Emmanuel Johnson, Valero Laparra, Gustau Camps-Valls
- Abstract要約: 予測平均関数の導関数を用いて誤差項を伝搬するGPモデル定式化を用いて、入力雑音推定をいかに説明できるかを示す。
得られた予測分散項を解析し、赤外線音響データから温度予測問題におけるモデル誤差をより正確に表現する方法を示す。
- 参考スコア（独自算出の注目度）: 9.563129471152058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian processes (GPs) are a class of Kernel methods that have shown to be
very useful in geoscience and remote sensing applications for parameter
retrieval, model inversion, and emulation. They are widely used because they
are simple, flexible, and provide accurate estimates. GPs are based on a
Bayesian statistical framework which provides a posterior probability function
for each estimation. Therefore, besides the usual prediction (given in this
case by the mean function), GPs come equipped with the possibility to obtain a
predictive variance (i.e., error bars, confidence intervals) for each
prediction. Unfortunately, the GP formulation usually assumes that there is no
noise in the inputs, only in the observations. However, this is often not the
case in earth observation problems where an accurate assessment of the
measuring instrument error is typically available, and where there is huge
interest in characterizing the error propagation through the processing
pipeline. In this letter, we demonstrate how one can account for input noise
estimates using a GP model formulation which propagates the error terms using
the derivative of the predictive mean function. We analyze the resulting
predictive variance term and show how they more accurately represent the model
error in a temperature prediction problem from infrared sounding data.
- Abstract（参考訳）: ガウス過程(英: Gaussian process、GP)は、パラメータ探索、モデル反転、エミュレーションのための地球科学およびリモートセンシングアプリケーションにおいて非常に有用であることが示されているケルネル法の一種である。
シンプルで柔軟性があり、正確な見積もりを提供するため、広く使われている。
GPはベイズ統計フレームワークに基づいており、各推定に対して後続確率関数を提供する。
したがって、通常の予測(この場合は平均関数で示される)に加えて、GPは各予測に対して予測分散(すなわちエラーバー、信頼区間)を得ることができる。
残念なことに、gpの定式化は、通常、入力にノイズはなく、観測のみである、と仮定する。
しかし、測定器誤差の正確な評価が典型的に可能であり、また、処理パイプラインを通してエラーの伝播を特徴づけることに大きな関心がある地球観測では、この問題は起こらないことが多い。
本稿では,予測平均関数の導関数を用いて誤差項を伝搬するGPモデル定式化を用いて,入力雑音推定をいかに説明できるかを示す。
得られた予測分散項を分析し,赤外線観測データから温度予測問題におけるモデル誤差をより正確に表現する方法を示す。
関連論文リスト
- SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳（メタデータ） (2023-10-25T03:33:45Z) - Leveraging Locality and Robustness to Achieve Massively Scalable
Gaussian Process Regression [1.3518297878940662]
GPN(Nest-Nighbour)予測の強靭性特性と制限挙動を探索することによって,新しい視点を導入する。
データサイズnが大きくなるにつれて、推定パラメータとGPモデル仮定の精度は、GPnn予測精度とますます無関係になる。
この不正確さの源泉を補正することができ、高い計算コストで精度の高い不確実性対策と正確な予測を両立できることを示す。
論文 参考訳（メタデータ） (2023-06-26T14:32:46Z) - 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) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳（メタデータ） (2021-03-23T17:48:56Z) - A Similarity Measure of Gaussian Process Predictive Distributions [0.0]
私たちは、予測しようとしている価値を客観的関数に有効に仮定するモデルを使うことに興味があります。
GPs予測分布を比較することができる一連の合成およびベンチマーク実験で実証的な証拠を示す。
この類似度メトリックはベイズ多様体最適化における目的を破棄するのに非常に有用である。
論文 参考訳（メタデータ） (2021-01-20T10:52:48Z) - Disentangling Derivatives, Uncertainty and Error in Gaussian Process
Models [12.229461458053809]
本稿では,GPモデルの誘導体を用いて解析誤差伝播の定式化を行う方法を紹介する。
赤外線観測データから温度予測問題における予測分散と伝播誤差項を解析した。
論文 参考訳（メタデータ） (2020-12-09T10:03:13Z) - Uncertainty quantification using martingales for misspecified Gaussian
processes [52.22233158357913]
本稿では,ガウス過程(GP)の不確定な定量化を,不特定先行条件下で解決する。
マルティンゲール法を用いて未知関数に対する信頼シーケンス(CS)を構築する。
我々のCSは統計的に有効であり、実証的に標準GP法より優れています。
論文 参考訳（メタデータ） (2020-06-12T17:58:59Z) - Estimation of Accurate and Calibrated Uncertainties in Deterministic
models [0.8702432681310401]
我々は,決定論的予測を確率論的予測に変換する手法を考案した。
そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。
隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
論文 参考訳（メタデータ） (2020-03-11T04:02:56Z) - 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) - Robust Gaussian Process Regression with a Bias Model [0.6850683267295248]
既存のほとんどのアプローチは、重い尾の分布から誘導される非ガウス的確率に、外れやすいガウス的確率を置き換えるものである。
提案手法は、未知の回帰関数の雑音および偏りの観測として、外れ値をモデル化する。
バイアス推定に基づいて、ロバストなGP回帰を標準のGP回帰問題に還元することができる。
論文 参考訳（メタデータ） (2020-01-14T06:21:51Z)
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。