Fugu-MT 論文翻訳(概要): Recyclable Gaussian Processes

論文の概要: Recyclable Gaussian Processes

arxiv url: http://arxiv.org/abs/2010.02554v1
Date: Tue, 6 Oct 2020 09:01:55 GMT
ステータス: 翻訳完了
システム内更新日: 2022-10-10 05:44:11.662417
Title: Recyclable Gaussian Processes
Title（参考訳）: リサイクル可能なガウス過程
Authors: Pablo Moreno-Mu\~noz, Antonio Art\'es-Rodr\'iguez and Mauricio A. \'Alvarez
Abstract要約: ガウス過程に対する独立な変分近似をリサイクルするための新しい枠組みを提案する。主な貢献は、ガウス過程の辞書が与えられた変分アンサンブルの構築である。私たちのフレームワークは回帰、分類、異種タスクを可能にします。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a new framework for recycling independent variational approximations to Gaussian processes. The main contribution is the construction of variational ensembles given a dictionary of fitted Gaussian processes without revisiting any subset of observations. Our framework allows for regression, classification and heterogeneous tasks, i.e. mix of continuous and discrete variables over the same input domain. We exploit infinite-dimensional integral operators based on the Kullback-Leibler divergence between stochastic processes to re-combine arbitrary amounts of variational sparse approximations with different complexity, likelihood model and location of the pseudo-inputs. Extensive results illustrate the usability of our framework in large-scale distributed experiments, also compared with the exact inference models in the literature.
Abstract（参考訳）: ガウス過程に対する独立変分近似をリサイクルするための新しい枠組みを提案する。主な貢献は、観測のサブセットを再訪することなく、適合したガウス過程の辞書を与える変分アンサンブルの構成である。このフレームワークは、回帰、分類、異種タスク、すなわち同じ入力ドメイン上の連続変数と離散変数の混合を可能にする。確率過程間のkullback-leibler発散に基づく無限次元積分作用素を用いて、任意の量の変分スパース近似を再結合し、異なる複雑性、確率モデル、擬似入力の位置を求める。広範な結果は,大規模分散実験におけるフレームワークの有用性を示し,文献の正確な推論モデルと比較した。

関連論文リスト

Robust and Scalable Variational Bayes [2.014089835498735]
本稿では,大規模なデータセットにおいて,外れ値や任意の性質の汚染を効果的に処理する変動ベイズ(VB)のための頑健なフレームワークを提案する。提案手法では,データセットを解離部分集合に分割し,各部分集合の後方を計算し,これらの部分集合に独立してVB近似を適用する。この新しいアグリゲーション法は、変分媒介後(VM-Posterior)分布を生成する。
論文参考訳（メタデータ） (2025-04-16T23:20:43Z)
Intrinsic Gaussian Process Regression Modeling for Manifold-valued Response Variable [6.137918306133745]
本稿では,多様体値データに対する固有ガウス過程回帰モデルを提案する。我々は,情報整合性や後続整合性を含む提案モデルの特性を確立する。シミュレーションや実例を含む数値的な研究は,提案手法が有効であることを示唆している。
論文参考訳（メタデータ） (2024-11-28T08:27:59Z)
BI-EqNO: Generalized Approximate Bayesian Inference with an Equivariant Neural Operator Framework [9.408644291433752]
一般化されたベイズ近似のための同変ニューラル演算系であるBI-EqNOを導入する。 BI-EqNOは、データ駆動トレーニングを通じて、条件付き観測データに基づいて事前を後方に変換する。 BI-EqNO の応用例は,(1) 回帰のための一般化ガウス過程 (gGP) と(2) 逐次データ同化のためのアンサンブルニューラルフィルタ (EnNF) の2つである。
論文参考訳（メタデータ） (2024-10-21T18:39:16Z)
Variational Elliptical Processes [1.5703073293718952]
本稿では,非パラメトリック確率モデルの一群である楕円過程と,学生の後続過程について述べる。我々はこの混合分布をスプライン正規化フローとしてパラメータ化し、変分推論を用いて訓練する。提案した変分後部の形状は,大規模な問題に適用可能なスパース変分楕円過程を可能にする。
論文参考訳（メタデータ） (2023-11-21T12:26:14Z)
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)
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)
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)
Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文参考訳（メタデータ） (2021-06-10T18:17:57Z)
The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文参考訳（メタデータ） (2021-01-16T17:11:02Z)
Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。分散による離散乗法雑音のパラメータによく現れることを示す。最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文参考訳（メタデータ） (2020-06-11T09:58:01Z)
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)
Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文参考訳（メタデータ） (2020-02-21T14:03:16Z)
Sparse Orthogonal Variational Inference for Gaussian Processes [34.476453597078894]
誘導点を用いたガウス過程に対するスパース変分近似の新しい解釈を導入する。この定式化は既存の近似を復元し、同時に限界確率と新しい変分推論アルゴリズムのより厳密な下界を得ることができることを示す。
論文参考訳（メタデータ） (2019-10-23T15:01:28Z)

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。