論文の概要: MAGMA: Inference and Prediction with Multi-Task Gaussian Processes
- arxiv url: http://arxiv.org/abs/2007.10731v2
- Date: Tue, 24 May 2022 15:13:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-11-08 04:29:40.101603
- Title: MAGMA: Inference and Prediction with Multi-Task Gaussian Processes
- Title（参考訳）: MAGMA:マルチタスクガウスプロセスによる推論と予測
- Authors: Arthur Leroy and Pierre Latouche and Benjamin Guedj and Servane Gey
- Abstract要約: タスク間で情報を共有するための共通平均プロセスを用いて,新しいマルチタスクガウスプロセス(GP)フレームワークを提案する。
私たちの全体的なアルゴリズムは textscMagma と呼ばれています(MeAn を用いた Multi tAsk Gaussian プロセスに対応しています)。
- 参考スコア（独自算出の注目度）: 4.368185344922342
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A novel multi-task Gaussian process (GP) framework is proposed, by using a
common mean process for sharing information across tasks. In particular, we
investigate the problem of time series forecasting, with the objective to
improve multiple-step-ahead predictions. The common mean process is defined as
a GP for which the hyper-posterior distribution is tractable. Therefore an EM
algorithm is derived for handling both hyper-parameters optimisation and
hyper-posterior computation. Unlike previous approaches in the literature, the
model fully accounts for uncertainty and can handle irregular grids of
observations while maintaining explicit formulations, by modelling the mean
process in a unified GP framework. Predictive analytical equations are
provided, integrating information shared across tasks through a relevant prior
mean. This approach greatly improves the predictive performances, even far from
observations, and may reduce significantly the computational complexity
compared to traditional multi-task GP models. Our overall algorithm is called
\textsc{Magma} (standing for Multi tAsk Gaussian processes with common MeAn).
The quality of the mean process estimation, predictive performances, and
comparisons to alternatives are assessed in various simulated scenarios and on
real datasets.
- Abstract（参考訳）: タスク間で情報を共有するための共通平均プロセスを用いて,新しいマルチタスクガウスプロセス(GP)フレームワークを提案する。
特に,複数ステップ予測の改善を目的とした時系列予測の問題について検討する。
共通平均過程は、超後続分布がトラクタブルなGPとして定義される。
したがって、超パラメータ最適化と超後方計算の両方を扱うためにEMアルゴリズムが導出される。
文献における従来のアプローチとは異なり、モデルは不確実性を完全に考慮し、統一GPフレームワークで平均過程をモデル化することにより、明示的な定式化を維持しながら不規則な観測格子を処理できる。
予測分析方程式が提供され、関連する事前平均を通じてタスク間で共有される情報を統合する。
このアプローチは観測から遠ざかっても予測性能を大幅に改善し、従来のマルチタスクGPモデルと比較して計算量を大幅に削減する可能性がある。
我々の全体的なアルゴリズムは \textsc{Magma} (Multi tAsk Gaussian process with common MeAn) と呼ばれる。
平均プロセス推定、予測性能、代替品との比較の質は、様々なシミュレーションシナリオと実際のデータセットで評価される。
関連論文リスト
- Polynomial Chaos Expanded Gaussian Process [2.287415292857564]
複雑で未知のプロセスでは、大域的モデルは最初実験空間全体にわたって生成される。
本研究では,グローバルな実験空間とローカルな実験空間の両方を効果的に表現するモデルの必要性に対処する。
論文 参考訳（メタデータ） (2024-05-02T07:11:05Z) - It's All in the Mix: Wasserstein Machine Learning with Mixed Features [5.739657897440173]
混合機能問題の解法として,実用的なアルゴリズムを提案する。
提案手法は, 個々の特徴が存在する場合の既存手法を著しく上回りうることを示す。
論文 参考訳（メタデータ） (2023-12-19T15:15:52Z) - Posterior Contraction Rates for Mat\'ern Gaussian Processes on
Riemannian Manifolds [51.68005047958965]
我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。
我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
論文 参考訳（メタデータ） (2023-09-19T20:30:58Z) - Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。
MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。
モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
論文 参考訳（メタデータ） (2023-08-29T15:01:01Z) - 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) - Gaussian Processes to speed up MCMC with automatic
exploratory-exploitation effect [1.0742675209112622]
確率モデルをサンプリングするための2段階のメトロポリス・ハスティングスアルゴリズムを提案する。
このアプローチの主な特徴は、サンプリング中にターゲットの分布をスクラッチから学習する能力である。
論文 参考訳（メタデータ） (2021-09-28T17:43:25Z) - 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) - Cluster-Specific Predictions with Multi-Task Gaussian Processes [4.368185344922342]
マルチタスク学習、クラスタリング、予測を扱うために、ガウス過程(GP)を含むモデルを導入する。
このモデルは、マルチタスクGPと一般的な平均プロセスの混合としてインスタンス化される。
MagmaClustと呼ばれるアルゴリズムは、Rパッケージとして公開されている。
論文 参考訳（メタデータ） (2020-11-16T11:08:59Z) - 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) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
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。
論文 参考訳（メタデータ） (2020-06-16T18:43:31Z) - 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)
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。