論文の概要: Advanced Stationary and Non-Stationary Kernel Designs for Domain-Aware
Gaussian Processes
- arxiv url: http://arxiv.org/abs/2102.03432v1
- Date: Fri, 5 Feb 2021 22:07:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 16:05:16.565709
- Title: Advanced Stationary and Non-Stationary Kernel Designs for Domain-Aware
Gaussian Processes
- Title(参考訳): ドメインアウェアガウス過程のための高次定常および非定常カーネル設計
- Authors: Marcus M. Noack and James A. Sethian
- Abstract要約: 再生カーネルヒルベルト空間(RKHS)の要素である所望の特性を持つ関数のみを許容する先進カーネル設計を提案する。
いくつかの合成および2つの科学的データセットを用いて、先進的なカーネル設計がガウス過程に与える影響を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian process regression is a widely-applied method for function
approximation and uncertainty quantification. The technique has gained
popularity recently in the machine learning community due to its robustness and
interpretability. The mathematical methods we discuss in this paper are an
extension of the Gaussian-process framework. We are proposing advanced kernel
designs that only allow for functions with certain desirable characteristics to
be elements of the reproducing kernel Hilbert space (RKHS) that underlies all
kernel methods and serves as the sample space for Gaussian process regression.
These desirable characteristics reflect the underlying physics; two obvious
examples are symmetry and periodicity constraints. In addition, non-stationary
kernel designs can be defined in the same framework to yield flexible
multi-task Gaussian processes. We will show the impact of advanced kernel
designs on Gaussian processes using several synthetic and two scientific data
sets. The results show that including domain knowledge, communicated through
advanced kernel designs, has a significant impact on the accuracy and relevance
of the function approximation.
- Abstract(参考訳): ガウス過程回帰は関数近似と不確実性の定量化に広く適用されている手法である。
このテクニックは、堅牢性と解釈性のため、機械学習コミュニティで最近人気を集めている。
本論文で議論する数学的手法はガウス過程の枠組みの拡張である。
我々は、ある望ましい特性を持つ関数を、すべてのカーネルメソッドの基礎となりガウス過程の回帰のサンプル空間となる再生核ヒルベルト空間(英語版)(rkhs)の要素としてのみ許容する高度なカーネル設計を提案する。
これらの望ましい特性は基礎となる物理学を反映しており、2つの明白な例は対称性および周期性制約である。
さらに、非定常カーネル設計は同じフレームワークで定義することができ、柔軟なマルチタスクガウス過程が得られる。
いくつかの合成および2つの科学的データセットを用いて、先進的なカーネル設計がガウス過程に与える影響を示す。
その結果、先進的なカーネル設計を通じて伝達されるドメイン知識を含め、関数近似の正確性と関連性に大きな影響を及ぼすことが示された。
関連論文リスト
- Posterior Contraction Rates for Mat\'ern Gaussian Processes on
Riemannian Manifolds [51.68005047958965]
我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。
我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
論文 参考訳(メタデータ) (2023-09-19T20:30:58Z) - Stationary Kernels and Gaussian Processes on Lie Groups and their Homogeneous Spaces II: non-compact symmetric spaces [43.877478563933316]
対称性は、考慮できる事前情報の最も基本的な形態の1つである。
本研究では,非ユークリッド空間の非常に大きなクラス上に定常ガウス過程を構築するための構築的および実践的手法を開発する。
論文 参考訳(メタデータ) (2023-01-30T17:27:12Z) - Stationary Kernels and Gaussian Processes on Lie Groups and their Homogeneous Spaces I: the compact case [43.877478563933316]
対称性は、考慮できる事前情報の最も基本的な形態の1つである。
本研究では,非ユークリッド空間の非常に大きなクラス上に定常ガウス過程を構築するための構築的および実践的手法を開発する。
論文 参考訳(メタデータ) (2022-08-31T16:40:40Z) - Learning "best" kernels from data in Gaussian process regression. With
application to aerodynamics [0.4588028371034406]
本稿では,ガウス過程の回帰/クリギングサロゲートモデリング手法におけるカーネルの選択/設計アルゴリズムを紹介する。
アルゴリズムの最初のクラスはカーネルフローであり、機械学習の分類の文脈で導入された。
アルゴリズムの第2のクラスはスペクトル核リッジ回帰と呼ばれ、近似される関数のノルムが最小となるような「最良の」カーネルを選択することを目的としている。
論文 参考訳(メタデータ) (2022-06-03T07:50:54Z) - Gaussian Processes and Statistical Decision-making in Non-Euclidean
Spaces [96.53463532832939]
我々はガウス過程の適用性を高める技術を開発した。
この観点から構築した効率的な近似を幅広く導入する。
非ユークリッド空間上のガウス過程モデルの集合を開発する。
論文 参考訳(メタデータ) (2022-02-22T01:42:57Z) - Improved Random Features for Dot Product Kernels [12.321353062415701]
我々はドット製品カーネルのランダムな特徴近似の効率を改善するために、いくつかの新しい貢献をしている。
複雑な特徴の利用はこれらの近似のばらつきを著しく減少させることができることを実証的に示す。
一般のドット製品カーネルのランダムな特徴近似を改善するために,データ駆動型最適化手法を開発した。
論文 参考訳(メタデータ) (2022-01-21T14:16:56Z) - Vector-valued Gaussian Processes on Riemannian Manifolds via Gauge
Equivariant Projected Kernels [108.60991563944351]
本稿では、ベクトル値のガウス過程を幾何学に忠実に誘導するゲージ同変カーネルの構築法を提案する。
我々は,変分推論などの標準ガウスプロセストレーニング手法を,この設定に拡張する。
論文 参考訳(メタデータ) (2021-10-27T13:31:10Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - Mat\'ern Gaussian Processes on Graphs [67.13902825728718]
我々は、マタン・ガウス過程の偏微分方程式のキャラクタリゼーションを利用して、そのアナログを無向グラフに対して研究する。
得られたガウス過程がユークリッドアナログやユークリッドアナログの様々な魅力的な性質を継承することを示す。
これにより、グラフのMat'ern Gaussianプロセスがミニバッチや非共役設定に使用できる。
論文 参考訳(メタデータ) (2020-10-29T13:08:07Z) - Mat\'ern Gaussian processes on Riemannian manifolds [81.15349473870816]
ガウス過程の広く用いられるマタン類を一般化する方法を示す。
また、Mat'ern から広く用いられる2乗指数過程への一般化も拡張する。
論文 参考訳(メタデータ) (2020-06-17T21:05:42Z)
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。