論文の概要: Hierarchical Gaussian Processes with Wasserstein-2 Kernels
- arxiv url: http://arxiv.org/abs/2010.14877v2
- Date: Tue, 1 Feb 2022 13:23:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 04:55:41.666515
- Title: Hierarchical Gaussian Processes with Wasserstein-2 Kernels
- Title(参考訳): Wasserstein-2カーネルを用いた階層ガウス過程
- Authors: Sebastian Popescu, David Sharp, James Cole and Ben Glocker
- Abstract要約: Varifold理論から着想を得たハイブリッドカーネルを提案し、ユークリッド空間とワッサーシュタイン空間の両方で動作する。
本研究では,中規模・大規模データセットの性能向上と,玩具および実データにおける分布外検出の強化について述べる。
- 参考スコア(独自算出の注目度): 16.36079700402592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stacking Gaussian Processes severely diminishes the model's ability to detect
outliers, which when combined with non-zero mean functions, further
extrapolates low non-parametric variance to low training data density regions.
We propose a hybrid kernel inspired from Varifold theory, operating in both
Euclidean and Wasserstein space. We posit that directly taking into account the
variance in the computation of Wasserstein-2 distances is of key importance
towards maintaining outlier status throughout the hierarchy. We show improved
performance on medium and large scale datasets and enhanced out-of-distribution
detection on both toy and real data.
- Abstract(参考訳): ガウス過程の積み重ねは、モデルの異常値検出能力を大幅に低下させ、非ゼロ平均関数と組み合わせると、より低い非パラメトリック分散を低トレーニングデータ密度領域に外挿する。
Varifold理論から着想を得たハイブリッドカーネルを提案し、ユークリッド空間とワッサーシュタイン空間の両方で動作する。
Wasserstein-2 距離の計算のばらつきを考慮に入れることは、階層全体の不整合状態を維持する上で重要であると仮定する。
本研究では,中規模・大規模データセットの性能向上と,玩具および実データにおける分布外検出の強化について述べる。
関連論文リスト
- Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Robust Gaussian Process Regression with Huber Likelihood [2.7184224088243365]
本稿では,ハマー確率分布として表される観測データの可能性を考慮した,ガウス過程フレームワークにおけるロバストなプロセスモデルを提案する。
提案モデルでは、予測統計に基づく重みを用いて、残差を拡大し、潜伏関数推定における垂直外れ値と悪レバレッジ点の影響を限定する。
論文 参考訳(メタデータ) (2023-01-19T02:59:33Z) - Robust Inference of Manifold Density and Geometry by Doubly Stochastic
Scaling [8.271859911016719]
我々は高次元雑音下で頑健な推論のためのツールを開発する。
提案手法は, セルタイプにまたがる技術的ノイズレベルの変動に頑健であることを示す。
論文 参考訳(メタデータ) (2022-09-16T15:39:11Z) - Machine learning algorithms for three-dimensional mean-curvature
computation in the level-set method [0.0]
レベルセット法のためのデータ駆動平均曲率解法を提案する。
提案方式は, 現在の粒子界面再構成よりも高精度な平均曲率推定を行うことができる。
論文 参考訳(メタデータ) (2022-08-18T20:19:22Z) - Projected Sliced Wasserstein Autoencoder-based Hyperspectral Images
Anomaly Detection [42.585075865267946]
本稿では,PSW自動エンコーダを用いた異常検出手法を提案する。
特に、計算フレンドリーな固有分解法を利用して、高次元データをスライスする主成分を見つける。
様々な実世界のハイパースペクトル異常検出ベンチマークで実施した総合的な実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2021-12-20T09:21:02Z) - Optimization-Based Separations for Neural Networks [57.875347246373956]
本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。
これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
論文 参考訳(メタデータ) (2021-12-04T18:07:47Z) - Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。
モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。
提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文 参考訳(メタデータ) (2021-11-22T06:26:29Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳(メタデータ) (2021-07-05T18:30:26Z) - Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。
ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。
次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2021-02-05T04:25:28Z) - Scalable Computations of Wasserstein Barycenter via Input Convex Neural
Networks [15.171726731041055]
ワッサーシュタイン・バリーセンター(Wasserstein Barycenter)は、与えられた確率分布の集合の重み付き平均を表す原理的なアプローチである。
本稿では,Wasserstein Barycentersを機械学習の高次元的応用を目的とした,スケーラブルな新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-08T22:41:18Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳(メタデータ) (2020-06-15T23:00:08Z)
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。