Fugu-MT 論文翻訳(概要): Similarity measure for sparse time course data based on Gaussian processes

論文の概要: Similarity measure for sparse time course data based on Gaussian processes

arxiv url: http://arxiv.org/abs/2102.12342v1
Date: Wed, 24 Feb 2021 15:23:30 GMT
ステータス: 処理完了
システム内更新日: 2021-02-25 20:08:30.849825
Title: Similarity measure for sparse time course data based on Gaussian processes
Title（参考訳）: ガウス過程に基づくスパース時間経過データの類似性尺度
Authors: Zijing Liu, Mauricio Barahona
Abstract要約: 提案したGP類似性はベイズ因子と類似しており、スパース時系列における雑音に対する強靭性を提供する。 GP測定は、GPのノイズ分散が信号のノイズ分散と比較して無視可能である場合、ユークリッド距離と同等であることを示す。
参考スコア（独自算出の注目度）: 1.0152838128195467
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a similarity measure for sparsely sampled time course data in the form of a log-likelihood ratio of Gaussian processes (GP). The proposed GP similarity is similar to a Bayes factor and provides enhanced robustness to noise in sparse time series, such as those found in various biological settings, e.g., gene transcriptomics. We show that the GP measure is equivalent to the Euclidean distance when the noise variance in the GP is negligible compared to the noise variance of the signal. Our numerical experiments on both synthetic and real data show improved performance of the GP similarity when used in conjunction with two distance-based clustering methods.
Abstract（参考訳）: ガウス過程 (gp) の対数類似度比という形で, 希薄にサンプリングされた時間経過データに対する類似度尺度を提案する。提案されたGP類似性はベイズ因子と類似しており、例えば遺伝子転写学のような様々な生物学的設定で見られるようなスパース時系列におけるノイズに対する強靭性を提供する。 GP測定は、GPのノイズ分散が信号のノイズ分散と比較して無視可能である場合、ユークリッド距離と同等であることを示す。合成データと実データの両方に関する数値実験では,2つの距離ベースのクラスタリング手法と併用することでGP類似度が向上した。

関連論文リスト

Robust Gaussian Processes via Relevance Pursuit [17.39376866275623]
本稿では,データポイント固有ノイズレベルを推定することにより,スパースアウトレーヤに対するロバスト性を実現するGPモデルを提案する。我々は,データポイント固有ノイズ分散において,関連する対数限界確率が強く抑制されるようなパラメータ化が可能であることを,驚くべきことに示している。
論文参考訳（メタデータ） (2024-10-31T17:59:56Z)
Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文参考訳（メタデータ） (2024-02-27T15:08:57Z)
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)
Characterizing low-frequency qubit noise [55.41644538483948]
量子ビット周波数のゆらぎは、スケーラブルな量子コンピュータへの道のりで克服すべき主要な問題の1つである。ゆらぎの統計は、定期的に繰り返されるラムゼー測定の結果の相関子を測定することで特徴づけられる。この研究は、進化する雑音の存在下での繰り返し測定中に量子力学を記述する方法を提案する。
論文参考訳（メタデータ） (2022-07-04T22:48:43Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
How Good are Low-Rank Approximations in Gaussian Process Regression? [28.392890577684657]
2つの共通低ランクカーネル近似による近似ガウス過程(GP)回帰の保証を提供する。理論境界の有効性を評価するため,シミュレーションデータと標準ベンチマークの両方について実験を行った。
論文参考訳（メタデータ） (2021-12-13T04:04:08Z)
On Sparse High-Dimensional Graphical Model Learning For Dependent Time Series [12.94486861344922]
本稿では,スパース,高次元定常時系列の条件独立グラフ(CIG)を推定する問題を考察する。スパースグループラッソに基づく周波数領域の定式化について述べる。また,ベイズ情報基準に基づくチューニングパラメータの選択についても実験的に検討した。
論文参考訳（メタデータ） (2021-11-15T16:52:02Z)
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)
Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
論文参考訳（メタデータ） (2021-09-29T22:54:17Z)
Sigma-Delta and Distributed Noise-Shaping Quantization Methods for Random Fourier Features [73.25551965751603]
我々は、量子化 RFF が基礎となるカーネルの高精度な近似を可能にすることを証明した。量子化 RFF はさらに圧縮され,メモリ使用量と精度のトレードオフに優れることを示す。本手法は,この文脈におけるアート量子化手法の他の状態と比較し,いくつかの機械学習タスクにおいて,提案手法の性能を実証的に示す。
論文参考訳（メタデータ） (2021-06-04T17:24:47Z)
How Good are Low-Rank Approximations in Gaussian Process Regression? [24.09582049403961]
2つの共通低ランクカーネル近似による近似ガウス過程(GP)回帰の保証を提供する。理論境界の有効性を評価するため,シミュレーションデータと標準ベンチマークの両方について実験を行った。
論文参考訳（メタデータ） (2020-04-03T14:15:10Z)

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。