論文の概要: An Intuitive Tutorial to Gaussian Processes Regression

• arxiv url: http://arxiv.org/abs/2009.10862v4
• Date: Mon, 18 Apr 2022 20:08:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 22:17:21.042590
• Title: An Intuitive Tutorial to Gaussian Processes Regression
• Title（参考訳）: gaussian process regressionの直感的チュートリアル
• Authors: Jie Wang
• Abstract要約: このチュートリアルはガウス過程回帰(GPR)の直感的な理解を提供することを目的としている。 GPRモデルは、表現の柔軟性と予測に対する固有の不確実性尺度のため、機械学習アプリケーションで広く使用されている。
• 参考スコア（独自算出の注目度）: 3.176115977657005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This tutorial aims to provide an intuitive understanding of the Gaussian processes regression. Gaussian processes regression (GPR) models have been widely used in machine learning applications because of their representation flexibility and inherent uncertainty measures over predictions. The basic concepts that a Gaussian process is built on, including multivariate normal distribution, kernels, non-parametric models, and joint and conditional probability were explained first. Next, the GPR was described concisely together with an implementation of a standard GPR algorithm. Beyond the standard GPR, packages to implement state-of-the-art Gaussian processes algorithms were reviewed. This tutorial was written in an accessible way to make sure readers without a machine learning background can obtain a good understanding of the GPR basics.
• Abstract（参考訳）: このチュートリアルはガウス過程の回帰を直感的に理解することを目的としている。 ガウス過程回帰(GPR)モデルは、表現の柔軟性と予測に対する固有の不確実性尺度のため、機械学習アプリケーションで広く利用されている。 多変量正規分布、カーネル、非パラメトリックモデル、ジョイントおよび条件付き確率など、ガウス過程が基礎となる基本的な概念を最初に説明した。 次に、GPRは標準GPRアルゴリズムの実装とともに簡潔に記述された。 標準のGPR以外にも、最先端のガウスアルゴリズムを実装するパッケージがレビューされた。 このチュートリアルは、機械学習のバックグラウンドを持たない読者がGPRの基礎を十分に理解できるように、アクセス可能な方法で書かれた。

関連論文リスト

• PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
  PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。 提案手法は,様々な視点によく一般化した最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:58Z)
• Explainable Learning with Gaussian Processes [23.796560256071473]
  我々は、モデル不確実性の下で属性を定義するために原則化されたアプローチをとっており、既存の文献を拡張している。 GPRは非常に柔軟で非パラメトリックなアプローチであるが、特徴属性に対する解釈可能でクローズドな表現を導出できることを示す。 また、適用すれば、GPR属性の正確な式は、現在使われている近似よりも正確で計算コストが低いことも示している。
  論文  参考訳（メタデータ） (2024-03-11T18:03:02Z)
• Linear-scaling kernels for protein sequences and small molecules outperform deep learning while providing uncertainty quantitation and improved interpretability [5.623232537411766]
  我々はGPモデルと高速畳み込みカーネルに適合する効率的でスケーラブルなアプローチを開発した。 xGPRと呼ばれるオープンソースのPythonライブラリを構築することで、これらの改善を実現しています。 xGPRは一般に、タンパク質や小分子の重要な性質を予測する上で、畳み込みニューラルネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-07T07:06:02Z)
• Gaussian Kernel Variance For an Adaptive Learning Method on Signals Over Graphs [10.028519427235326]
  Single- Kernel Gradraker (SKG) は、ネットワーク内の未知の結節値を予測する適応学習手法である。 ガウスカーネルを用いたSKGに着目し、カーネルに適した分散を見つける方法を指定する。
  論文  参考訳（メタデータ） (2022-04-26T23:15:03Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• 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)
• 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)
• Deep Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
  少数ショットのセグメンテーションは難しい作業であり、いくつかの注釈付きサンプルから一般化可能な表現を抽出する必要がある。 ガウス過程(GP)回帰に基づく数ショット学習者定式化を提案する。 PASCAL-5i と COCO-20i では mIoU スコアが68.1 と 49.8 である。
  論文  参考訳（メタデータ） (2021-03-30T17:56:32Z)
• Mat\'ern Gaussian Processes on Graphs [67.13902825728718]
  我々は、マタン・ガウス過程の偏微分方程式のキャラクタリゼーションを利用して、そのアナログを無向グラフに対して研究する。 得られたガウス過程がユークリッドアナログやユークリッドアナログの様々な魅力的な性質を継承することを示す。 これにより、グラフのMat'ern Gaussianプロセスがミニバッチや非共役設定に使用できる。
  論文  参考訳（メタデータ） (2020-10-29T13:08:07Z)
• Gaussian Process Regression with Local Explanation [28.90948136731314]
  本稿では,各サンプルの予測に寄与する特徴を明らかにするため,局所的な説明を伴うGPRを提案する。 提案モデルでは,各サンプルの予測と説明を,容易に解釈可能な局所線形モデルを用いて行う。 新しい試験サンプルでは, 対象変数と重みベクトルの値と不確かさを予測できる。
  論文  参考訳（メタデータ） (2020-07-03T13:22:24Z)

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。