論文の概要: GP3: A Sampling-based Analysis Framework for Gaussian Processes

• arxiv url: http://arxiv.org/abs/2006.07871v1
• Date: Sun, 14 Jun 2020 11:32:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 12:38:40.158009
• Title: GP3: A Sampling-based Analysis Framework for Gaussian Processes
• Title（参考訳）: gp3:ガウス過程のサンプリングに基づく分析フレームワーク
• Authors: Armin Lederer, Markus Kessler, Sandra Hirche
• Abstract要約: 本稿では,既存の問題の多くを効率的に解けるGP3という新しいフレームワークを提案する。 計算は完全に並列化可能であるので、GPU処理の計算上の利点を多分解能サンプリングと組み合わせて利用することができる。
• 参考スコア（独自算出の注目度）: 8.40947366840848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although machine learning is increasingly applied in control approaches, only few methods guarantee certifiable safety, which is necessary for real world applications. These approaches typically rely on well-understood learning algorithms, which allow formal theoretical analysis. Gaussian process regression is a prominent example among those methods, which attracts growing attention due to its strong Bayesian foundations. Even though many problems regarding the analysis of Gaussian processes have a similar structure, specific approaches are typically tailored for them individually, without strong focus on computational efficiency. Thereby, the practical applicability and performance of these approaches is limited. In order to overcome this issue, we propose a novel framework called GP3, general purpose computation on graphics processing units for Gaussian processes, which allows to solve many of the existing problems efficiently. By employing interval analysis, local Lipschitz constants are computed in order to extend properties verified on a grid to continuous state spaces. Since the computation is completely parallelizable, the computational benefits of GPU processing are exploited in combination with multi-resolution sampling in order to allow high resolution analysis.
• Abstract（参考訳）: 機械学習は制御アプローチにますます適用されているが、現実のアプリケーションに必要な認証可能な安全性を保証する方法はごくわずかである。 これらのアプローチは通常、形式的な理論解析を可能にするよく理解された学習アルゴリズムに依存している。 ガウス過程の回帰はこれらの手法の顕著な例であり、ベイズの基礎が強かったために注目が集まる。 ガウス過程の解析に関する多くの問題は同様の構造を持つが、特定のアプローチは通常、計算効率に強い焦点をあてることなく、個別に調整される。 これにより、これらのアプローチの実践的適用性と性能は制限される。 この問題を克服するために,ガウス過程のグラフィックス処理ユニットの汎用計算であるGP3という新しいフレームワークを提案し,既存の問題の多くを効率的に解けるようにした。 区間解析を用いて局所リプシッツ定数を計算し、グリッド上で検証された特性を連続状態空間に拡張する。 計算は完全に並列化可能であるため、高分解能解析を可能にするため、GPU処理の計算上の利点を多分解能サンプリングと組み合わせて活用する。

関連論文リスト

• A Scalable and Near-Optimal Conformance Checking Approach for Long Traces [3.3170150440851485]
  プロセスマイニングにおける重要なタスクであるコンフォーマルティチェックは、最適なアライメントを見つけるという指数関数的な複雑さのため、計算不能になる可能性がある。 本稿では,これらの拡張性に対処する新しいスライディングウインドウ手法を提案する。 トレースを管理可能なサブトレースに分割し,プロセスモデルと反復的に整列することにより,検索空間を大幅に削減する。
  論文  参考訳（メタデータ） (2024-06-08T11:04:42Z)
• Multi-Level GNN Preconditioner for Solving Large Scale Problems [0.0]
  グラフニューラルネットワーク(GNN)はメッシュのような非構造化データから学ぶのに最適だが、小さな問題に制限されることが多い。 本稿では,GNNモデルを多レベルドメイン分解フレームワークに統合した新しいプレコンディショナーを提案する。 提案したGNNベースのプレコンディショナーは、Krylov法の効率を高めるために使用され、任意の精度の要求レベルに収束できるハイブリッド・ソルバとなる。
  論文  参考訳（メタデータ） (2024-02-13T08:50:14Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Large-scale Bayesian Structure Learning for Gaussian Graphical Models using Marginal Pseudo-likelihood [0.26249027950824516]
  我々は2つの新しいマルコフ連鎖モンテカルロ探索アルゴリズムを導入する。 これらのアルゴリズムは、1000変数の大規模問題であっても、標準コンピュータ上でわずか数分で信頼性の高い結果を提供できる。 また,ヒトおよびマウスの遺伝子発現研究における中・大規模応用における本手法の有用性について述べる。
  論文  参考訳（メタデータ） (2023-06-30T20:37:40Z)
• GloptiNets: Scalable Non-Convex Optimization with Certificates [61.50835040805378]
  本稿では,ハイパーキューブやトーラス上のスムーズな関数を扱う証明書を用いた非キューブ最適化手法を提案する。 スペクトルの減衰に固有の対象関数の正則性を活用することにより、正確な証明を取得し、高度で強力なニューラルネットワークを活用することができる。
  論文  参考訳（メタデータ） (2023-06-26T09:42:59Z)
• 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)
• Adaptive Discretization in Online Reinforcement Learning [9.560980936110234]
  離散化に基づくアルゴリズムを設計する際の2つの大きな疑問は、離散化をどのように生成し、いつそれを洗練するかである。 オンライン強化学習のための木に基づく階層分割手法の統一的理論的解析を行う。 我々のアルゴリズムは操作制約に容易に適応し、我々の理論は3つの面のそれぞれに明示的な境界を与える。
  論文  参考訳（メタデータ） (2021-10-29T15:06:15Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
  主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。 スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。 本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-23T04:25:36Z)
• Multi-consensus Decentralized Accelerated Gradient Descent [31.76773130271547]
  分散凸最適化問題は、大規模機械学習、センサーネットワーク、制御理論に幅広い応用がある。 本稿では,最適な計算複雑性とほぼ最適な通信複雑性を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-02T11:10:32Z)
• Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
  単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。 いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。 これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
  論文  参考訳（メタデータ） (2020-03-31T16:54:22Z)

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。