論文の概要: GPflux: A Library for Deep Gaussian Processes

• arxiv url: http://arxiv.org/abs/2104.05674v1
• Date: Mon, 12 Apr 2021 17:41:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 14:33:08.232471
• Title: GPflux: A Library for Deep Gaussian Processes
• Title（参考訳）: GPflux: 深いガウスのプロセスのためのライブラリ
• Authors: Vincent Dutordoir, Hugh Salimbeni, Eric Hambro, John McLeod, Felix Leibfried, Artem Artemev, Mark van der Wilk, James Hensman, Marc P. Deisenroth, ST John
• Abstract要約: GPfluxは、ディープガウス過程(DGP)に重点を置いたベイズディープラーニングのためのPythonライブラリである。 keras deep learning eco-systemと互換性があり、構築されている。 GPfluxはGPのオブジェクトと操作の大部分にGPflowに依存しており、効率的でモジュール化され拡張可能なライブラリである。
• 参考スコア（独自算出の注目度）: 31.207566616050574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce GPflux, a Python library for Bayesian deep learning with a strong emphasis on deep Gaussian processes (DGPs). Implementing DGPs is a challenging endeavour due to the various mathematical subtleties that arise when dealing with multivariate Gaussian distributions and the complex bookkeeping of indices. To date, there are no actively maintained, open-sourced and extendable libraries available that support research activities in this area. GPflux aims to fill this gap by providing a library with state-of-the-art DGP algorithms, as well as building blocks for implementing novel Bayesian and GP-based hierarchical models and inference schemes. GPflux is compatible with and built on top of the Keras deep learning eco-system. This enables practitioners to leverage tools from the deep learning community for building and training customised Bayesian models, and create hierarchical models that consist of Bayesian and standard neural network layers in a single coherent framework. GPflux relies on GPflow for most of its GP objects and operations, which makes it an efficient, modular and extensible library, while having a lean codebase.
• Abstract（参考訳）: 本稿では,深いガウス過程(DGP)を重視したベイズ深層学習のためのPythonライブラリGPfluxを紹介する。 DGPの実装は、多変量ガウス分布とインデックスの複雑な簿記を扱うときに生じる様々な数学的微妙さのために難しい試みである。 現在、この分野の研究活動を支援する、アクティブにメンテナンスされ、オープンソースで拡張可能なライブラリは存在しない。 GPfluxはこのギャップを埋めるために、最先端のDGPアルゴリズムのライブラリを提供し、新しいベイジアンおよびGPベースの階層モデルと推論スキームを実装するためのビルディングブロックを提供することを目指している。 GPfluxはKerasディープラーニングエコシステム上に互換性があり、構築されている。 これにより、実践者は、ディープラーニングコミュニティのツールを活用して、カスタマイズされたベイジアンモデルの構築とトレーニングを行い、ベイジアン層と標準ニューラルネットワーク層で構成される階層モデルを単一のコヒーレントフレームワークで作成することができる。 GPfluxはGPのオブジェクトと操作の大部分をGPflowに依存しているため、リーンコードベースを持ちながら、効率的でモジュール化され拡張可能なライブラリである。

関連論文リスト

• GPTreeO: An R package for continual regression with dividing local Gaussian processes [0.0]
  本稿では,スケーラブルなガウスプロセス(GP)回帰のための柔軟なRパッケージであるGPTreeOを紹介する。 GPTreeOはDividing Local Gaussian Processes (DLGP)アルゴリズムに基づいており、ローカルGP回帰器のバイナリツリーを動的に構築する。 我々は,GPTreeOの特徴が連続学習環境における回帰性能に与える影響を示すための感度解析を行った。
  論文  参考訳（メタデータ） (2024-10-01T19:33:39Z)
• GP+: A Python Library for Kernel-based learning via Gaussian Processes [0.0]
  ガウス過程(GP)を通したカーネルベースの学習用オープンソースライブラリGP+を紹介する。 GP+はPyTorch上に構築されており、確率的学習と推論のためのユーザフレンドリでオブジェクト指向のツールを提供する。
  論文  参考訳（メタデータ） (2023-12-12T19:39:40Z)
• Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
  本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。 この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
  論文  参考訳（メタデータ） (2022-06-10T11:48:49Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• 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)
• GP-Tree: A Gaussian Process Classifier for Few-Shot Incremental Learning [23.83961717568121]
  GP-Treeはガウス過程と深層カーネル学習を用いた多クラス分類の新しい手法である。 木に基づく階層モデルを構築し,各内部ノードがデータにGPを適合させる。 我々の手法は、クラス数とデータサイズの両方でうまくスケールする。
  論文  参考訳（メタデータ） (2021-02-15T22:16:27Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)
• A Framework for Interdomain and Multioutput Gaussian Processes [22.62911488724047]
  GPにおける拡張的近似推論のための数学的およびソフトウェアフレームワークを提案する。 GPflowで実装された当社のフレームワークは,既存のマルチアウトプットモデルに統一されたインターフェースを提供する。
  論文  参考訳（メタデータ） (2020-03-02T16:24:59Z)
• MOGPTK: The Multi-Output Gaussian Process Toolkit [71.08576457371433]
  ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。 このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
  論文  参考訳（メタデータ） (2020-02-09T23:34:49Z)

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。