論文の概要: Real-Time Regression with Dividing Local Gaussian Processes
- arxiv url: http://arxiv.org/abs/2006.09446v2
- Date: Fri, 30 Jul 2021 15:07:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 20:20:43.592618
- Title: Real-Time Regression with Dividing Local Gaussian Processes
- Title（参考訳）: 局所ガウス過程の分割によるリアルタイム回帰
- Authors: Armin Lederer, Alejandro Jose Ordonez Conejo, Korbinian Maier, Wenxin
Xiao, Jonas Umlauft, Sandra Hirche
- Abstract要約: 局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
- 参考スコア（独自算出の注目度）: 62.01822866877782
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increased demand for online prediction and the growing availability of
large data sets drives the need for computationally efficient models. While
exact Gaussian process regression shows various favorable theoretical
properties (uncertainty estimate, unlimited expressive power), the poor scaling
with respect to the training set size prohibits its application in big data
regimes in real-time. Therefore, this paper proposes dividing local Gaussian
processes, which are a novel, computationally efficient modeling approach based
on Gaussian process regression. Due to an iterative, data-driven division of
the input space, they achieve a sublinear computational complexity in the total
number of training points in practice, while providing excellent predictive
distributions. A numerical evaluation on real-world data sets shows their
advantages over other state-of-the-art methods in terms of accuracy as well as
prediction and update speed.
- Abstract（参考訳）: オンライン予測の需要の増加と大規模データセットの可用性の増大により、計算効率の高いモデルの必要性が高まっている。
正確なガウス過程の回帰は、様々な理論的性質(不確実性推定、無制限表現力)を示すが、トレーニングセットサイズに対するスケーリングの貧弱さは、リアルタイムにビッグデータシステムに適用することを禁止している。
そこで本稿では,ガウス過程回帰に基づく新しい計算効率の高いモデリング手法である局所ガウス過程の分割を提案する。
入力空間の反復的でデータ駆動の分割のため、それらは実際のトレーニングポイントの総数においてサブリニア計算の複雑さを実現し、優れた予測分布を提供する。
実世界のデータセットに対する数値的な評価は、精度や予測や更新速度の観点から、他の最先端手法よりも優位性を示している。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Sparse Variational Student-t Processes [8.46450148172407]
学生Tプロセスは、重い尾の分布とデータセットをアウトリーチでモデル化するために使用される。
本研究では,学生プロセスが現実のデータセットに対してより柔軟になるためのスパース表現フレームワークを提案する。
UCIとKaggleの様々な合成および実世界のデータセットに対する2つの提案手法の評価を行った。
論文 参考訳（メタデータ） (2023-12-09T12:55:20Z) - Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。
本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。
大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
論文 参考訳（メタデータ） (2023-09-01T18:02:04Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Local approximate Gaussian process regression for data-driven
constitutive laws: Development and comparison with neural networks [0.0]
局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。
FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
論文 参考訳（メタデータ） (2021-05-07T14:49:28Z) - Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。
我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。
提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。
派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
論文 参考訳（メタデータ） (2021-03-19T09:50:53Z) - Splitting Gaussian Process Regression for Streaming Data [1.2691047660244335]
入力空間を逐次分割し,各領域に局所化ガウス過程を適用するアルゴリズムを提案する。
このアルゴリズムは既存の手法よりも時間と空間の複雑さが優れていることが示されており、そのシーケンシャルな性質により、ストリーミングデータに応用できる。
我々の知る限りでは、このモデルは線形メモリ複雑性を実現するための最初の局所ガウス過程回帰モデルである。
論文 参考訳（メタデータ） (2020-10-06T01:37:13Z) - Beyond the Mean-Field: Structured Deep Gaussian Processes Improve the
Predictive Uncertainties [12.068153197381575]
高速収束を達成しつつ、潜在過程間の共分散を維持できる新しい変分族を提案する。
新しいアプローチの効率的な実装を提供し、それをいくつかのベンチマークデータセットに適用します。
優れた結果をもたらし、最先端の代替品よりも精度とキャリブレーションされた不確実性推定とのバランスが良くなる。
論文 参考訳（メタデータ） (2020-05-22T11:10:59Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳（メタデータ） (2020-05-21T20:59:11Z) - Understanding the Effects of Data Parallelism and Sparsity on Neural
Network Training [126.49572353148262]
ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。
有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
論文 参考訳（メタデータ） (2020-03-25T10:49:22Z)
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。