Fugu-MT 論文翻訳(概要): Gap Filling of Biophysical Parameter Time Series with Multi-Output Gaussian Processes

論文の概要: Gap Filling of Biophysical Parameter Time Series with Multi-Output Gaussian Processes

arxiv url: http://arxiv.org/abs/2012.05912v1
Date: Fri, 11 Dec 2020 13:10:19 GMT
ステータス: 処理完了
システム内更新日: 2021-05-11 03:06:38.158535
Title: Gap Filling of Biophysical Parameter Time Series with Multi-Output Gaussian Processes
Title（参考訳）: 多出力ガウスプロセスによる生体物理パラメータ時系列のギャップ充填
Authors: Anna Mateo-Sanchis, Jordi Munoz-Mari, Manuel Campos-Taberner, Javier Garcia-Haro, Gustau Camps-Valls
Abstract要約: 特にライスエリアのLAIやFAPARに重点を置いています。本研究では,標準単出力(SO)GPモデルではこの問題をいかに解決できないか,また,提案されたMO-GPモデルがこれらの変数の予測に成功したかを示す。
参考スコア（独自算出の注目度）: 6.756499794542228
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work we evaluate multi-output (MO) Gaussian Process (GP) models based on the linear model of coregionalization (LMC) for estimation of biophysical parameter variables under a gap filling setup. In particular, we focus on LAI and fAPAR over rice areas. We show how this problem cannot be solved with standard single-output (SO) GP models, and how the proposed MO-GP models are able to successfully predict these variables even in high missing data regimes, by implicitly performing an across-domain information transfer.
Abstract（参考訳）: 本研究では,マルチアウトプット(mo)ガウス過程(gp)モデルについて,ギャップ充填条件下での生物物理パラメータ変数推定のためのコリージョン化線形モデル(lmc)に基づいて評価する。特に,水田におけるLAIとfAPARに着目した。本稿では,標準の単一出力(so)gpモデルではこの問題がどのように解決できないかを示し,提案するmo-gpモデルが,欠落したデータレジームにおいても,暗黙的にドメイン間情報転送を行うことで,これらの変数をうまく予測できることを示す。

関連論文リスト

Scalable Multi-Output Gaussian Processes with Stochastic Variational Inference [2.1249213103048414]
遅延可変MOGP (LV-MOGP) は、データポイントが少ない新しい出力への効率的な一般化を可能にする。 LV-MOGPの複雑性は出力数とともに線形に増加する。本稿では,LV-MOGPに対して,入力と出力の両方にミニバッチを適用可能な変分推論手法を提案する。
論文参考訳（メタデータ） (2024-07-02T17:53:56Z)
Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文参考訳（メタデータ） (2024-03-03T04:21:21Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
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)
Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文参考訳（メタデータ） (2023-07-05T18:14:38Z)
Generalised Gaussian Process Latent Variable Models (GPLVM) with Stochastic Variational Inference [9.468270453795409]
ミニバッチ学習が可能なBayesianVMモデルの2倍の定式化について検討する。このフレームワークが、異なる潜在変数の定式化とどのように互換性を持つかを示し、モデルの組を比較する実験を行う。我々は、膨大な量の欠落データの存在下でのトレーニングと、高忠実度再構築の実施を実証する。
論文参考訳（メタデータ） (2022-02-25T21:21:51Z)
Scalable mixed-domain Gaussian process modeling and model reduction for longitudinal data [5.00301731167245]
混合領域共分散関数に対する基底関数近似スキームを導出する。我々は,GPモデルの精度をランタイムのごく一部で正確に近似できることを示す。また、より小さく、より解釈可能なモデルを得るためのスケーラブルなモデルリダクションワークフローを実証する。
論文参考訳（メタデータ） (2021-11-03T04:47:37Z)
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)
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)
Modulating Scalable Gaussian Processes for Expressive Statistical Learning [25.356503463916816]
ガウス過程(GP)は、入力と出力の間の統計的関係を学ぶことに興味がある。本稿では,非定常ヘテロセダスティックGP,GPと潜在GPの混合を含む,スケーラブルなGPパラダイムについて検討し,よりリッチでガウス的でない統計表現を学習するために,出力や入力を変調する潜在変数を導入する。
論文参考訳（メタデータ） (2020-08-29T06:41:45Z)

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。