Fugu-MT 論文翻訳(概要): Deep Gaussian Processes for geophysical parameter retrieval

論文の概要: Deep Gaussian Processes for geophysical parameter retrieval

arxiv url: http://arxiv.org/abs/2012.12099v1
Date: Mon, 7 Dec 2020 14:44:04 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 20:40:13.462479
Title: Deep Gaussian Processes for geophysical parameter retrieval
Title（参考訳）: 物理パラメータ検索のための深いガウス過程
Authors: Daniel Heestermans Svendsen, Pablo Morales-\'Alvarez, Rafael Molina, Gustau Camps-Valls
Abstract要約: 本稿では,物理パラメータ探索のための深部ガウス過程(DGP)を紹介する。標準フルgpモデルとは異なり、dgpは複雑な(モジュラーで階層的な)プロセスに対応しており、標準フルgpモデルよりも予測精度が向上している。
参考スコア（独自算出の注目度）: 15.400481898772158
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper introduces deep Gaussian processes (DGPs) for geophysical parameter retrieval. Unlike the standard full GP model, the DGP accounts for complicated (modular, hierarchical) processes, provides an efficient solution that scales well to large datasets, and improves prediction accuracy over standard full and sparse GP models. We give empirical evidence of performance for estimation of surface dew point temperature from infrared sounding data.
Abstract（参考訳）: 本稿では物理パラメータ探索のための深部ガウス過程(DGP)を紹介する。標準のフルGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによく対応し、標準のフルGPモデルとスパースGPモデルの予測精度を向上させる効率的なソリューションを提供する。我々は,赤外音源データから表面露点温度を推定する実験的な性能を示す。

関連論文リスト

Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文参考訳（メタデータ） (2023-10-30T18:43:21Z)
Beyond Intuition, a Framework for Applying GPs to Real-World Data [21.504659500727985]
本稿では,ある問題に対するGPの適合性を同定する枠組みと,頑健かつ明確に定義されたGPモデルの構築方法を提案する。この枠組みを氷河の標高変化のケーススタディに適用し,テスト時により正確な結果が得られることを示した。
論文参考訳（メタデータ） (2023-07-06T16:08:47Z)
Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文参考訳（メタデータ） (2023-02-28T14:01:01Z)
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)
Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文参考訳（メタデータ） (2021-10-13T15:11:25Z)
Conditional Deep Gaussian Processes: empirical Bayes hyperdata learning [6.599344783327054]
本稿では,階層構成における中間GPをハイパーデータでサポートする条件付きDeep Gaussian Process (DGP)を提案する。潜時空間における高密度ハイパーデータ限界における深層カーネル学習の等価性を示す。予備補間の結果は,提案モデルがGPカーネル構成,DGP変分推論,深層カーネル学習と比較して表現力を示す。
論文参考訳（メタデータ） (2021-10-01T17:50:48Z)
Deep Gaussian Processes for Biogeophysical Parameter Retrieval and Model Inversion [14.097477944789484]
本稿では,生物地球物理モデルインバージョンにおける深部ガウス過程 (DGP) の利用について紹介する。浅いGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによくスケールする効率的なソリューションを提供する。
論文参考訳（メタデータ） (2021-04-16T10:42:01Z)
Learning Structures in Earth Observation Data with Gaussian Processes [67.27044745471207]
本稿では,この分野の主要な理論gp開発について概説する。信号特性と雑音特性を尊重し、特徴ランキングを自動的に提供し、関連する不確かさ区間を適用可能にする新しいアルゴリズムについて論じる。
論文参考訳（メタデータ） (2020-12-22T10:46:37Z)
Warped Gaussian Processes in Remote Sensing Parameter Estimation and Causal Inference [7.811118301686077]
マルチスペクトルデータから海洋クロロフィル含有量を推定するための提案モデルの良好な性能を示す。モデルは標準GPおよびより高度のheteroscedastic GPモデルより一貫してよく実行します。
論文参考訳（メタデータ） (2020-12-09T09:02:59Z)
On Signal-to-Noise Ratio Issues in Variational Inference for Deep Gaussian Processes [55.62520135103578]
重み付き変分推論を用いたDGP(Deep Gaussian Processs)の訓練で用いられる勾配推定は,信号-雑音比(SNR)問題の影響を受けやすいことを示す。 DGPモデルの予測性能が一貫した改善につながることを示す。
論文参考訳（メタデータ） (2020-11-01T14:38:02Z)
Ensemble of Sparse Gaussian Process Experts for Implicit Surface Mapping with Streaming Data [13.56926815833324]
我々は、既知のポーズを持つ範囲データのストリームから、環境のコンパクトで連続的な暗黙の表面マップを学習する。 GPモデルに到着するすべてのデータを挿入する代わりに、モデルの複雑さと予測エラーの間に鮮やかにトレードオフがあります。その結果、異なる条件下で、コンパクトで正確な暗黙曲面モデルを学習できることが示唆された。
論文参考訳（メタデータ） (2020-02-12T11:06:48Z)

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。