論文の概要: Deep Gaussian Processes: A Survey

• arxiv url: http://arxiv.org/abs/2106.12135v1
• Date: Mon, 21 Jun 2021 13:59:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 04:02:09.271166
• Title: Deep Gaussian Processes: A Survey
• Title（参考訳）: 深いガウスのプロセス: サーベイ
• Authors: Kalvik Jakkala
• Abstract要約: この調査では、ガウス過程を使うためのコアモチベーション、数学的定式化、制限、そしてその制限に対処するために長年に渡り栄えてきた研究テーマについて詳述する。 特定の研究分野の一つがディープ・ガウス・プロセス(DGP)であり、過去10年間で大幅に改善されている。 オープンな問題と今後の研究の方向性に関する簡単な議論を最後に紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Gaussian processes are one of the dominant approaches in Bayesian learning. Although the approach has been applied to numerous problems with great success, it has a few fundamental limitations. Multiple methods in literature have addressed these limitations. However, there has not been a comprehensive survey of the topics as of yet. Most existing surveys focus on only one particular variant of Gaussian processes and their derivatives. This survey details the core motivations for using Gaussian processes, their mathematical formulations, limitations, and research themes that have flourished over the years to address said limitations. Furthermore, one particular research area is Deep Gaussian Processes (DGPs), it has improved substantially in the past decade. The significant publications that advanced the forefront of this research area are outlined in their survey. Finally, a brief discussion on open problems and research directions for future work is presented at the end.
• Abstract（参考訳）: ガウス過程はベイズ学習における主要なアプローチの一つである。 このアプローチは大きな成功を収めた多くの問題に適用されているが、いくつかの基本的な制限がある。 文学における複数の方法がこれらの制限に対処している。 しかし、現時点では、そのトピックに関する包括的な調査は行われていない。 既存の調査のほとんどは、ガウス過程とその微分の特定の変種のみに焦点を当てている。 この調査では、ガウス過程を使うためのコアモチベーション、数学的定式化、制限、そしてその制限に対処するために長年に渡り栄えてきた研究テーマについて詳述する。 さらに、特に研究分野として、深層ガウス過程(dgps)があり、過去10年間で大幅に改善されている。 この研究分野の最前線を前進させた重要な出版物を概説する。 最後に,今後の課題と研究の方向性に関する簡単な議論が最後に提示される。

関連論文リスト

• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Review of Zero-Shot and Few-Shot AI Algorithms in The Medical Domain [3.196204482566275]
  本稿では,少数ショット,ゼロショット,正規物体検出の異なる手法について検討した。 ほとんどショットがなく、ゼロショットで、通常のオブジェクト検出は、新しいフレームワークやテクニックを通じて、フィールドの進化に共通の焦点をあてている。
  論文  参考訳（メタデータ） (2024-06-23T15:45:32Z)
• Open Problem: Order Optimal Regret Bounds for Kernel-Based Reinforcement Learning [10.358743901458615]
  強化学習(Reinforcement Learning, RL)は、様々なアプリケーション領域で大きな成功を収めている。 このオープンな問題を強調し、既存の部分的な結果を概説し、関連する課題について議論する。
  論文  参考訳（メタデータ） (2024-06-21T15:43:02Z)
• Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
  ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。 まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。 次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
  論文  参考訳（メタデータ） (2024-01-31T11:51:24Z)
• A Survey on the Densest Subgraph Problem and Its Variants [11.7345654477305]
  デンスト部分グラフ問題は、与えられたグラフにおいて、誘導された部分グラフが密度の測度を最大化する頂点の部分集合を見つける必要がある。 近年では、この問題に対する研究の関心が復活し、いくつかの重要な貢献がなされている。 本調査は,本文献で提案されている多くの変種について,基礎的な結果の概要と包括的報告を提供する。
  論文  参考訳（メタデータ） (2023-03-25T13:28:30Z)
• Guided Depth Map Super-resolution: A Survey [88.54731860957804]
  誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。 近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。 この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
  論文  参考訳（メタデータ） (2023-02-19T15:43:54Z)
• Theoretical Perspectives on Deep Learning Methods in Inverse Problems [115.93934028666845]
  我々は、生成前の先行、訓練されていないニューラルネットワークの先行、および展開アルゴリズムに焦点を当てる。 これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
  論文  参考訳（メタデータ） (2022-06-29T02:37:50Z)
• 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)
• Graph Neural Networks for Node-Level Predictions [0.7310043452300736]
  ディープラーニングはコンピュータビジョン、テキスト、音声処理などの分野を含む多くの研究分野に革命をもたらした。 本研究の目的は、ノードレベルの予測タスクのための、グラフニューラルネットワークに基づく機械学習手法の、初期および近代的な概要を提供することである。
  論文  参考訳（メタデータ） (2020-06-22T11:57:03Z)
• 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。