論文の概要: Disentangling Derivatives, Uncertainty and Error in Gaussian Process Models

• arxiv url: http://arxiv.org/abs/2012.04947v1
• Date: Wed, 9 Dec 2020 10:03:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 02:13:29.342883
• Title: Disentangling Derivatives, Uncertainty and Error in Gaussian Process Models
• Title（参考訳）: ガウス過程モデルにおける不確かさと誤差の解消
• Authors: Juan Emmanuel Johnson and Valero Laparra and Gustau Camps-Valls
• Abstract要約: 本稿では,GPモデルの誘導体を用いて解析誤差伝播の定式化を行う方法を紹介する。 赤外線観測データから温度予測問題における予測分散と伝播誤差項を解析した。
• 参考スコア（独自算出の注目度）: 12.229461458053809
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gaussian Processes (GPs) are a class of kernel methods that have shown to be very useful in geoscience applications. They are widely used because they are simple, flexible and provide very accurate estimates for nonlinear problems, especially in parameter retrieval. An addition to a predictive mean function, GPs come equipped with a useful property: the predictive variance function which provides confidence intervals for the predictions. The GP formulation usually assumes that there is no input noise in the training and testing points, only in the observations. However, this is often not the case in Earth observation problems where an accurate assessment of the instrument error is usually available. In this paper, we showcase how the derivative of a GP model can be used to provide an analytical error propagation formulation and we analyze the predictive variance and the propagated error terms in a temperature prediction problem from infrared sounding data.
• Abstract（参考訳）: ガウス過程(英: Gaussian Processes, GP)は、地球科学の応用において非常に有用なカーネル手法のクラスである。 それらは単純で柔軟であり、特にパラメータ検索において非線形問題に対して非常に正確な推定を提供するため、広く利用されている。 予測平均関数に加えて、GPには、予測に対する信頼区間を提供する予測分散関数という有用な性質が備わっている。 GPの定式化は、通常、トレーニングやテストポイントに入力ノイズが存在しないと仮定する。 しかし、機器エラーの正確な評価が通常可能である地球観測問題ではそうではないことが多い。 本稿では, 温度予測問題において, GPモデルの導関数を用いて, 解析的誤差伝搬の定式化を行い, 予測誤差と伝播誤差項を赤外音響データから解析する方法について述べる。

関連論文リスト

• Stationarity without mean reversion in improper Gaussian processes [6.4322891559626125]
  本研究では,不適切なGPプリエントを無限分散で使用することにより,定常だが逆転を意味するものではないプロセスを定義することができることを示す。 合成データと実データの両方を解析することにより、これらの非正のカーネルが平均反転GP回帰の既知の病態を解くことを実証する。
  論文  参考訳（メタデータ） (2023-10-04T15:11:26Z)
• Episodic Gaussian Process-Based Learning Control with Vanishing Tracking Errors [10.627020714408445]
  本稿では,任意の追跡精度を保証するために,GPモデル学習のためのエピソード手法を開発する。 導出理論の有効性はいくつかのシミュレーションで示されている。
  論文  参考訳（メタデータ） (2023-07-10T08:43:28Z)
• Leveraging Locality and Robustness to Achieve Massively Scalable Gaussian Process Regression [1.3518297878940662]
  GPN(Nest-Nighbour)予測の強靭性特性と制限挙動を探索することによって,新しい視点を導入する。 データサイズnが大きくなるにつれて、推定パラメータとGPモデル仮定の精度は、GPnn予測精度とますます無関係になる。 この不正確さの源泉を補正することができ、高い計算コストで精度の高い不確実性対策と正確な予測を両立できることを示す。
  論文  参考訳（メタデータ） (2023-06-26T14:32:46Z)
• Light curve completion and forecasting using fast and scalable Gaussian processes (MuyGPs) [0.0]
  商用オフザシェルフ(COTS)カメラによる地上観測は、高精度の機器に比べて安価である。 ノイズの多い観測と組み合わされたセンサの可用性は、ギャップの多い時系列データを生成することができる。 ディープニューラルネットワーク(DNN)は、複雑な非線形埋め込みを学習する経験的成功によって、選択のツールとなっている。
  論文  参考訳（メタデータ） (2022-08-31T01:52:00Z)
• Experimental Design for Linear Functionals in Reproducing Kernel Hilbert Spaces [102.08678737900541]
  線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。 準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
  論文  参考訳（メタデータ） (2022-05-26T20:56:25Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• 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)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Uncertainty quantification using martingales for misspecified Gaussian processes [52.22233158357913]
  本稿では,ガウス過程(GP)の不確定な定量化を,不特定先行条件下で解決する。 マルティンゲール法を用いて未知関数に対する信頼シーケンス(CS)を構築する。 我々のCSは統計的に有効であり、実証的に標準GP法より優れています。
  論文  参考訳（メタデータ） (2020-06-12T17:58:59Z)
• Accounting for Input Noise in Gaussian Process Parameter Retrieval [9.563129471152058]
  予測平均関数の導関数を用いて誤差項を伝搬するGPモデル定式化を用いて、入力雑音推定をいかに説明できるかを示す。 得られた予測分散項を解析し、赤外線音響データから温度予測問題におけるモデル誤差をより正確に表現する方法を示す。
  論文  参考訳（メタデータ） (2020-05-20T08:23:48Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。