論文の概要: Warped Gaussian Processes in Remote Sensing Parameter Estimation and Causal Inference

• arxiv url: http://arxiv.org/abs/2012.12105v1
• Date: Wed, 9 Dec 2020 09:02:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 02:10:04.863112
• Title: Warped Gaussian Processes in Remote Sensing Parameter Estimation and Causal Inference
• Title（参考訳）: リモートセンシングパラメータ推定と因果推論におけるワープガウス過程
• Authors: Anna Mateo-Sanchis, Jordi Mu\~noz-Mar\'i, Adri\'an P\'erez-Suay, Gustau Camps-Valls
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.811118301686077
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces warped Gaussian processes (WGP) regression in remote sensing applications. WGP models output observations as a parametric nonlinear transformation of a GP. The parameters of such prior model are then learned via standard maximum likelihood. We show the good performance of the proposed model for the estimation of oceanic chlorophyll content from multispectral data, vegetation parameters (chlorophyll, leaf area index, and fractional vegetation cover) from hyperspectral data, and in the detection of the causal direction in a collection of 28 bivariate geoscience and remote sensing causal problems. The model consistently performs better than the standard GP and the more advanced heteroscedastic GP model, both in terms of accuracy and more sensible confidence intervals.
• Abstract（参考訳）: 本稿では,リモートセンシングアプリケーションにおけるガウス過程 (WGP) の回帰について述べる。 WGPモデルは、GPのパラメトリック非線形変換として観測を出力する。 このような事前モデルのパラメータは、標準最大確率を通じて学習される。 提案手法は,マルチスペクトルデータからの海洋クロロフィル含量の推定,高スペクトルデータからの植生パラメータ(葉緑素,葉面積指数,分画植生被覆),および28種の生物地球科学とリモートセンシング因果問題の収集における因果方向の検出において,優れた性能を示す。 このモデルは、精度と賢明な信頼区間の両方において、標準gpやより先進的なヘテロシドスティックgpモデルよりも一貫して優れた性能を発揮する。

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)
• 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)
• 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 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)
• 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)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)
• Deep Gaussian Processes for geophysical parameter retrieval [15.400481898772158]
  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。
  論文  参考訳（メタデータ） (2020-12-07T14:44:04Z)
• 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)
• 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。