Fugu-MT 論文翻訳(概要): Numerical issues in maximum likelihood parameter estimation for Gaussian process regression

論文の概要: Numerical issues in maximum likelihood parameter estimation for Gaussian process regression

arxiv url: http://arxiv.org/abs/2101.09747v1
Date: Sun, 24 Jan 2021 16:30:55 GMT
ステータス: 処理完了
システム内更新日: 2021-03-16 09:16:35.260108
Title: Numerical issues in maximum likelihood parameter estimation for Gaussian process regression
Title（参考訳）: ガウス過程回帰における最大度パラメータ推定の数値問題
Authors: Subhasish Basak, S\'ebastien Petit, Julien Bect, Emmanuel Vazquez
Abstract要約: 本稿は,数値問題の起源を調査し,単純かつ効果的な改善戦略を提供する。この研究は基本的な問題をターゲットにしているが、特にベイズ最適化の文献における多くの研究は、既製のGPR実装に依存している。
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: This article focuses on numerical issues in maximum likelihood parameter estimation for Gaussian process regression (GPR). This article investigates the origin of the numerical issues and provides simple but effective improvement strategies. This work targets a basic problem but a host of studies, particularly in the literature of Bayesian optimization, rely on off-the-shelf GPR implementations. For the conclusions of these studies to be reliable and reproducible, robust GPR implementations are critical.
Abstract（参考訳）: 本稿では,ガウス過程回帰(GPR)の最大パラメータ推定における数値問題に着目する。本稿は,数値問題の起源を調査し,単純かつ効果的な改善戦略を提供する。この研究は基本的な問題をターゲットにしているが、特にベイズ最適化の文献における多くの研究は、既製のGPR実装に依存している。これらの研究の結論が信頼性と再現性を持つためには、堅牢なGPR実装が不可欠です。

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)
Sparse Gaussian Process Hyperparameters: Optimize or Integrate? [5.949779668853556]
本稿では, MCMC をハイパーパラメーター後部から試料として用いたスパースガウス過程回帰法を提案する。本稿では,文学における自然ベースラインと変分GP(SVGP)とを,広範な計算解析とともに比較する。
論文参考訳（メタデータ） (2022-11-04T14:06:59Z)
Scalable Gaussian Process Hyperparameter Optimization via Coverage Regularization [0.0]
本稿では,予測の不確かさの堅牢性を改善するために,Maternカーネルのスムーズさと長大パラメータを推定するアルゴリズムを提案する。数値実験で示すように,高いスケーラビリティを維持しつつ,残余可能性よりも改善されたUQを実現する。
論文参考訳（メタデータ） (2022-09-22T19:23:37Z)
Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。提案手法はRパッケージプローブに実装されている。
論文参考訳（メタデータ） (2022-09-16T19:15:50Z)
Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。 3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
論文参考訳（メタデータ） (2022-09-09T14:58:43Z)
Noise Estimation in Gaussian Process Regression [1.5002438468152661]
提案手法は, 相関誤差の分散と雑音の分散を, 限界確率関数の最大化に基づいて推定することができる。従来のパラメータ最適化と比較して,提案手法の計算上の利点とロバスト性を示す。
論文参考訳（メタデータ） (2022-06-20T19:36:03Z)
On the inability of Gaussian process regression to optimally learn compositional functions [3.6525095710982916]
深いガウス過程の先行は、対象関数が構成構造を持つ場合、ガウス過程の先行よりも優れる。真の函数が一般化加法関数であれば、任意の平均零ガウス過程に基づく後続函数は、ミニマックス速度よりも厳密に遅い速度でのみ真理を回復できることを示す。
論文参考訳（メタデータ） (2022-05-16T15:42:25Z)
Mesh-Based Solutions for Nonparametric Penalized Regression [6.827783641211451]
回帰関数を非パラメトリックに推定することはしばしば興味がある。多くの場合、PR問題の正確な解を見つけることは、計算的に難解である。これらのシナリオに対して,メッシュベースの近似解(MBS)を提案する。
論文参考訳（メタデータ） (2021-12-07T00:12:42Z)
A general sample complexity analysis of vanilla policy gradient [101.16957584135767]
政策勾配(PG)は、最も一般的な強化学習(RL)問題の1つである。 PG軌道の「バニラ」理論的理解は、RL問題を解く最も一般的な方法の1つである。
論文参考訳（メタデータ） (2021-07-23T19:38:17Z)
Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文参考訳（メタデータ） (2021-05-16T12:38:35Z)
Parallel Stochastic Mirror Descent for MDPs [72.75921150912556]
無限水平マルコフ決定過程(MDP)における最適政策学習の問題を考える。リプシッツ連続関数を用いた凸プログラミング問題に対してミラー・ディクセントの変種が提案されている。このアルゴリズムを一般の場合において解析し,提案手法の動作中に誤差を蓄積しない収束率の推定値を得る。
論文参考訳（メタデータ） (2021-02-27T19:28:39Z)

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。