論文の概要: Cluster-Specific Predictions with Multi-Task Gaussian Processes

• arxiv url: http://arxiv.org/abs/2011.07866v3
• Date: Fri, 29 Jul 2022 16:37:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 23:57:27.754780
• Title: Cluster-Specific Predictions with Multi-Task Gaussian Processes
• Title（参考訳）: マルチタスクガウス過程を用いたクラスタ特異予測
• Authors: Arthur Leroy and Pierre Latouche and Benjamin Guedj and Servane Gey
• Abstract要約: 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。
• 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 model involving Gaussian processes (GPs) is introduced to simultaneously handle multi-task learning, clustering, and prediction for multiple functional data. This procedure acts as a model-based clustering method for functional data as well as a learning step for subsequent predictions for new tasks. The model is instantiated as a mixture of multi-task GPs with common mean processes. A variational EM algorithm is derived for dealing with the optimisation of the hyper-parameters along with the hyper-posteriors' estimation of latent variables and processes. We establish explicit formulas for integrating the mean processes and the latent clustering variables within a predictive distribution, accounting for uncertainty on both aspects. This distribution is defined as a mixture of cluster-specific GP predictions, which enhances the performances when dealing with group-structured data. The model handles irregular grid of observations and offers different hypotheses on the covariance structure for sharing additional information across tasks. The performances on both clustering and prediction tasks are assessed through various simulated scenarios and real datasets. The overall algorithm, called MagmaClust, is publicly available as an R package.
• Abstract（参考訳）: マルチタスク学習、クラスタリング、複数の関数データの予測を同時に扱うために、ガウス過程(GP)を含むモデルを導入する。 この手法は機能データのためのモデルベースのクラスタリング手法として機能し、新しいタスクの後の予測のための学習ステップとして機能する。 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。 変分的emアルゴリズムは、ハイパーパラメータの最適化と潜在変数とプロセスのハイパーポストリテータによる推定を扱うために導出される。 予測分布内の平均過程と潜在クラスタリング変数を統合するための明示的な公式を定め,両側面の不確実性を考慮した。 この分布は、クラスタ固有のGP予測の混合として定義され、グループ構造化データを扱う際の性能を高める。 このモデルは不規則な観測グリッドを処理し、タスク間で追加情報を共有するための共分散構造に関する異なる仮説を提供する。 クラスタリングと予測タスクの両方のパフォーマンスは、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を通して評価される。 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。

関連論文リスト

• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• 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)
• Time series clustering based on prediction accuracy of global forecasting models [0.0]
  本稿では,時系列のモデルに基づくクラスタリング手法を提案する。 文献で提案されているほとんどの手法とは異なり、この手法はクラスタリング分割を構成する主要な要素として予測精度を考慮している。 シミュレーション実験により,クラスタリングの有効性と予測精度の両面で,本手法はいくつかの代替手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-30T13:12:19Z)
• Multi-Task Learning Regression via Convex Clustering [0.0]
  本稿では,タスクのクラスタ中心を表すセントロイドパラメータを用いたMTL手法を提案する。 モンテカルロシミュレーションによる提案手法の有効性と実データへの適用について述べる。
  論文  参考訳（メタデータ） (2023-04-26T07:25:21Z)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• MAGMA: Inference and Prediction with Multi-Task Gaussian Processes [4.368185344922342]
  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)。
  論文  参考訳（メタデータ） (2020-07-21T11:43:54Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。