論文の概要: Random Sampling High Dimensional Model Representation Gaussian Process
Regression (RS-HDMR-GPR) for representing multidimensional functions with
machine-learned lower-dimensional terms allowing insight with a general
method
- arxiv url: http://arxiv.org/abs/2012.02704v5
- Date: Tue, 16 Nov 2021 09:47:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 13:55:21.455158
- Title: Random Sampling High Dimensional Model Representation Gaussian Process
Regression (RS-HDMR-GPR) for representing multidimensional functions with
machine-learned lower-dimensional terms allowing insight with a general
method
- Title（参考訳）: ランダムサンプリング高次元モデル表現ガウス過程回帰(RS-HDMR-GPR)による機械学習低次元項による多次元関数の表現
- Authors: Owen Ren, Mohamed Ali Boussaidi, Dmitry Voytsekhovsky, Manabu Ihara,
and Sergei Manzhos
- Abstract要約: RS-HDMR-GPR(Random Smpling High-dimensional Model Representation Gaussian Process Regression)のためのPython実装
コードにより、変数の欠落した値を計算し、HDMR項の有用な数を大幅に減らすことができる。
この回帰ツールの能力は、合成分析機能、水分子のポテンシャルエネルギー表面、物質の運動エネルギー密度、金融市場データを含む試験ケースで実証される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a Python implementation for RS-HDMR-GPR (Random Sampling High
Dimensional Model Representation Gaussian Process Regression). The method
builds representations of multivariate functions with lower-dimensional terms,
either as an expansion over orders of coupling or using terms of only a given
dimensionality. This facilitates, in particular, recovering functional
dependence from sparse data. The code also allows for imputation of missing
values of the variables and for a significant pruning of the useful number of
HDMR terms. The code can also be used for estimating relative importance of
different combinations of input variables, thereby adding an element of insight
to a general machine learning method. The capabilities of this regression tool
are demonstrated on test cases involving synthetic analytic functions, the
potential energy surface of the water molecule, kinetic energy densities of
materials (crystalline magnesium, aluminum, and silicon), and financial market
data.
- Abstract（参考訳）: RS-HDMR-GPR(Random Smpling High dimensional Model Representation Gaussian Process Regression)のためのPython実装を提案する。
この方法は、結合の順序を超える拡張として、あるいは与えられた次元のみの項として、低次元項を持つ多変量関数の表現を構築する。
これにより、特にスパースデータからの関数依存の回復が容易になる。
このコードはまた、変数の欠落値の計算や、HDMR用語の有用な数を大幅に削減することを可能にする。
また、入力変数の異なる組み合わせの相対的重要性を推定するためにも使用でき、一般的な機械学習手法に洞察の要素を追加することができる。
この回帰ツールは, 合成分析機能, 水分子のポテンシャルエネルギー面, 材料の運動エネルギー密度(結晶性マグネシウム, アルミニウム, シリコン), 金融市場データを含む試験ケースで実証された。
関連論文リスト
- Combining additivity and active subspaces for high-dimensional Gaussian
process modeling [2.7140711924836816]
本稿では,高次元ガウス過程モデリングと多面性戦略を組み合わせる方法について述べる。
高次元ガウス過程モデリングへの我々の貢献は、これらを多面的戦略と組み合わせ、合成関数やデータセットの実験を通じて利点を示すことである。
論文 参考訳（メタデータ） (2024-02-06T08:49:27Z) - Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳（メタデータ） (2023-12-30T17:05:31Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - 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) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳（メタデータ） (2023-06-05T21:08:34Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Scalable Gaussian Processes for Data-Driven Design using Big Data with
Categorical Factors [14.337297795182181]
ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。
本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。
本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
論文 参考訳（メタデータ） (2021-06-26T02:17:23Z) - Gaussian Function On Response Surface Estimation [12.35564140065216]
メタモデリング手法によるブラックボックス機械学習モデルの解釈(機能とサンプル)のための新しいフレームワークを提案する。
メタモデルは、興味のある領域のデータサンプルでコンピュータ実験を実行することによって、訓練された複雑なモデルによって生成されたデータから推定することができる。
論文 参考訳（メタデータ） (2021-01-04T04:47:00Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-06T04:28:19Z) - Deep Learning with Functional Inputs [0.0]
本稿では,機能データをフィードフォワードニューラルネットワークに統合する手法を提案する。
この手法の副産物は、最適化プロセス中に可視化できる動的な機能的重みの集合である。
このモデルは、新しいデータの予測や真の機能的重みの回復など、多くの文脈でうまく機能することが示されている。
論文 参考訳（メタデータ） (2020-06-17T01:23:00Z) - Projection Pursuit Gaussian Process Regression [5.837881923712394]
コンピュータ実験の第一の目的は、分散評価によってコンピュータコードによって与えられる機能を再構築することである。
従来の等方的ガウス過程モデルは、限られたデータポイントに対して入力次元が比較的高いとき、次元の呪いに悩まされる。
非パラメトリック部分は加法ガウス過程の回帰によって駆動される射影追従モデルを考える。
論文 参考訳（メタデータ） (2020-04-01T19:12:01Z)
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。