論文の概要: Skew Gaussian Processes for Classification

• arxiv url: http://arxiv.org/abs/2005.12987v1
• Date: Tue, 26 May 2020 19:13:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 23:39:03.838745
• Title: Skew Gaussian Processes for Classification
• Title（参考訳）: 分類のためのスキューガウス過程
• Authors: Alessio Benavoli and Dario Azzimonti and Dario Piga
• Abstract要約: スキュー・ガウス過程 (SkewGPs) を非パラメトリックな事前関数として提案する。 SkewGP は GP のすべての良い性質を継承し、確率モデルにおける非対称性を許容することによってその柔軟性を高める。
• 参考スコア（独自算出の注目度）: 0.225596179391365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian processes (GPs) are distributions over functions, which provide a Bayesian nonparametric approach to regression and classification. In spite of their success, GPs have limited use in some applications, for example, in some cases a symmetric distribution with respect to its mean is an unreasonable model. This implies, for instance, that the mean and the median coincide, while the mean and median in an asymmetric (skewed) distribution can be different numbers. In this paper, we propose Skew-Gaussian processes (SkewGPs) as a non-parametric prior over functions. A SkewGP extends the multivariate Unified Skew-Normal distribution over finite dimensional vectors to a stochastic processes. The SkewGP class of distributions includes GPs and, therefore, SkewGPs inherit all good properties of GPs and increase their flexibility by allowing asymmetry in the probabilistic model. By exploiting the fact that SkewGP and probit likelihood are conjugate model, we derive closed form expressions for the marginal likelihood and predictive distribution of this new nonparametric classifier. We verify empirically that the proposed SkewGP classifier provides a better performance than a GP classifier based on either Laplace's method or Expectation Propagation.
• Abstract（参考訳）: ガウス過程 (GPs) は函数上の分布であり、回帰と分類に対するベイズ的非パラメトリックなアプローチを提供する。 その成功にもかかわらず、GPはいくつかの応用において限定的であり、例えば、平均に対する対称分布は理にかなわないモデルである。 これは例えば、平均と中央値は一致するが、非対称(歪んだ)分布の平均と中央値は異なる数であることを意味する。 本論文では,スキューガウス過程 (SkewGPs) を非パラメトリックな事前関数として提案する。 SkewGP は有限次元ベクトル上の多変量統一スキーノルマル分布を確率過程に拡張する。 SkewGP の分布クラスは GP を含み、したがって、SkewGP は GP のすべての良質な性質を継承し、確率モデルにおける非対称性を許容することによってその柔軟性を高める。 SkewGP とprobit chance が共役モデルであるという事実を利用して、この新しい非パラメトリック分類器の辺りの確率と予測分布の閉形式式を導出する。 提案するSkewGP分類器は,Laplaceの手法や期待伝搬に基づくGP分類器よりも優れた性能が得られることを実証的に検証する。

関連論文リスト

• Gaussian Process Regression with Soft Inequality and Monotonicity Constraints [0.0]
  確率的手法で物理制約を強制する新しいGP法を提案する。 このGPモデルは量子に着想を得たハミルトンモンテカルロ(QHMC)によって訓練される
  論文  参考訳（メタデータ） (2024-04-03T17:09:25Z)
• 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)
• B\'ezier Curve Gaussian Processes [8.11969931278838]
  本稿では,確率的B'ezier曲線上に構築された新しい確率的シーケンスモデルを提案する。 混合密度ネットワークと組み合わせることで、平均場変動近似を必要とせずにベイズ条件推論を行うことができる。 このモデルは歩行者の軌跡予測に使われ、生成した予測はGP前でも機能する。
  論文  参考訳（メタデータ） (2022-05-03T19:49:57Z)
• Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
  パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。 変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2022-04-20T21:25:21Z)
• 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)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• On MCMC for variationally sparse Gaussian processes: A pseudo-marginal approach [0.76146285961466]
  ガウス過程(GP)は、機械学習や統計学において強力なモデルを構築するために頻繁に用いられる。 本稿では,2重推定器による確率と大規模データセットの正確な推測と計算的ゲインを提供する擬似マージナル(PM)方式を提案する。
  論文  参考訳（メタデータ） (2021-03-04T20:48:29Z)
• A unified framework for closed-form nonparametric regression, classification, preference and mixed problems with Skew Gaussian Processes [1.0742675209112622]
  スキューゲージ過程 (skewgps) は有限次元ベクトル上の統一スキュー正規分布を函数上の分布へと拡張する。 SkewGP とprobit の確率が共役であることを示し、非パラメトリック二項分類と選好学習の正確な後部を計算できることを示した。
  論文  参考訳（メタデータ） (2020-12-12T15:58:16Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)

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。