論文の概要: A Survey of Constrained Gaussian Process Regression: Approaches and Implementation Challenges

• arxiv url: http://arxiv.org/abs/2006.09319v3
• Date: Wed, 6 Jan 2021 17:45:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 20:10:41.091730
• Title: A Survey of Constrained Gaussian Process Regression: Approaches and Implementation Challenges
• Title（参考訳）: 制約付きガウス過程回帰に関する調査:アプローチと実装課題
• Authors: Laura Swiler, Mamikon Gulian, Ari Frankel, Cosmin Safta, John Jakeman
• Abstract要約: 実証性や有界制約、単調性および凸性制約、微分方程式制約、境界条件制約を含むガウス過程制約のいくつかのクラスの概要を提供する。 本稿では,各手法の背景にある戦略と実装の違いを比較し,制約によってもたらされる計算上の課題について議論する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian process regression is a popular Bayesian framework for surrogate modeling of expensive data sources. As part of a broader effort in scientific machine learning, many recent works have incorporated physical constraints or other a priori information within Gaussian process regression to supplement limited data and regularize the behavior of the model. We provide an overview and survey of several classes of Gaussian process constraints, including positivity or bound constraints, monotonicity and convexity constraints, differential equation constraints provided by linear PDEs, and boundary condition constraints. We compare the strategies behind each approach as well as the differences in implementation, concluding with a discussion of the computational challenges introduced by constraints.
• Abstract（参考訳）: ガウス過程回帰は高価なデータソースのサロゲートモデリングのための人気のあるベイズフレームワークである。 科学機械学習における幅広い取り組みの一環として、近年の多くの研究は、限定されたデータを補完し、モデルの振る舞いを規則化するために、ガウス過程の回帰に物理的制約やその他の事前情報を組み込んでいる。 本稿では, 正則性や有界制約, 単調性, 凸性制約, 線形PDEによる微分方程式制約, 境界条件制約など, ガウス過程制約のいくつかのクラスの概要と調査を行う。 各アプローチの背後にある戦略と実装の違いを比較し、制約によって引き起こされる計算上の課題について議論する。

関連論文リスト

• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Online Constraint Tightening in Stochastic Model Predictive Control: A Regression Approach [49.056933332667114]
  確率制約付き最適制御問題に対する解析解は存在しない。 制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。 提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
  論文  参考訳（メタデータ） (2023-10-04T16:22:02Z)
• Multi-Response Heteroscedastic Gaussian Process Models and Their Inference [1.52292571922932]
  本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。 後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。 提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
  論文  参考訳（メタデータ） (2023-08-29T15:06:47Z)
• Tightening Discretization-based MILP Models for the Pooling Problem using Upper Bounds on Bilinear Terms [2.6253445491808307]
  線形項による非最適化問題の解法として,離散化に基づく手法が提案されている。 本稿では,離散化に基づくMILPモデルを用いてプール問題の解法を提案する。
  論文  参考訳（メタデータ） (2022-07-08T05:28:59Z)
• Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
  滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。 提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
  論文  参考訳（メタデータ） (2022-02-26T19:10:48Z)
• A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
  本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。 提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
  論文  参考訳（メタデータ） (2021-11-26T06:33:29Z)
• Efficient methods for Gaussian Markov random fields under sparse linear constraints [2.741266294612776]
  線形制約付きガウスマルコフランダム場(GMRF)の推論とシミュレーション法は、制約数が大きければ計算的に禁止される。 本稿では,スパース制約の一般的な場合において,これらの課題を克服するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-03T09:31:12Z)
• Gaussian Process Regression constrained by Boundary Value Problems [0.0]
  我々は境界値問題に制約されたガウス過程回帰のためのフレームワークを開発した。 この枠組みは、ガウス過程の線形変換と、境界値問題の固有関数におけるスペクトル展開によって与えられるカーネルの使用を組み合わせたものである。 その結果, 物理インフォームドガウス過程の回帰よりも, より正確で安定した解推定法が得られた。
  論文  参考訳（メタデータ） (2020-12-22T06:55:15Z)
• Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
  構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。 私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。 提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
  論文  参考訳（メタデータ） (2020-07-07T21:26:35Z)

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。