論文の概要: Spectrum Gaussian Processes Based On Tunable Basis Functions

• arxiv url: http://arxiv.org/abs/2107.06473v1
• Date: Wed, 14 Jul 2021 03:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 14:26:06.406581
• Title: Spectrum Gaussian Processes Based On Tunable Basis Functions
• Title（参考訳）: 波長可変基底関数に基づくスペクトルガウス過程
• Authors: Wenqi Fang, Guanlin Wu, Jingjing Li, Zheng Wang, Jiang Cao, Yang Ping
• Abstract要約: ガウス過程におけるカーネル関数を近似するために, チューナブル, 局所, 有界な新しい基底関数を導入する。 オープンソースデータセットに関する広範な実験を行い、その性能を実証する。
• 参考スコア（独自算出の注目度）: 15.088239458693003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral approximation and variational inducing learning for the Gaussian process are two popular methods to reduce computational complexity. However, in previous research, those methods always tend to adopt the orthonormal basis functions, such as eigenvectors in the Hilbert space, in the spectrum method, or decoupled orthogonal components in the variational framework. In this paper, inspired by quantum physics, we introduce a novel basis function, which is tunable, local and bounded, to approximate the kernel function in the Gaussian process. There are two adjustable parameters in these functions, which control their orthogonality to each other and limit their boundedness. And we conduct extensive experiments on open-source datasets to testify its performance. Compared to several state-of-the-art methods, it turns out that the proposed method can obtain satisfactory or even better results, especially with poorly chosen kernel functions.
• Abstract（参考訳）: ガウス過程のスペクトル近似と変分誘導学習は、計算複雑性を低減する2つの一般的な方法である。 しかし、以前の研究では、これらの手法は常にヒルベルト空間の固有ベクトルやスペクトル法、変分フレームワークの直交成分といった正規直交基底関数を採用する傾向がある。 本稿では,量子物理学にヒントを得て,ガウス過程の核関数を近似するために,チューナブルで局所的かつ有界な新しい基底関数を導入する。 これらの関数には2つの調整可能なパラメータがあり、互いに直交性を制御し、境界性を制限する。 オープンソースデータセットに関する広範な実験を行い、その性能を検証します。 いくつかの最先端手法と比較して,提案手法は良好な結果が得られるか,さらによい結果が得られることが判明した。

関連論文リスト

• Learning dissipative Hamiltonian dynamics with reproducing kernel Hilbert spaces and random Fourier features [0.7510165488300369]
  本稿では,限定的かつノイズの多いデータセットから散逸的ハミルトン力学を学習するための新しい手法を提案する。 この手法の性能は、2つの散逸するハミルトン系のシミュレーションで検証される。
  論文  参考訳（メタデータ） (2024-10-24T11:35:39Z)
• MEP: Multiple Kernel Learning Enhancing Relative Positional Encoding Length Extrapolation [5.298814565953444]
  相対的な位置符号化法は、単一のカーネル関数を実装することで、長さ外挿問題に対処する。 本研究では,異なるカーネル関数を結合する重み付き平均を用いた,MEPと呼ばれる新しい相対的位置符号化手法を提案する。 我々は,新しい学習可能なパラメータを必要としないパラメータフリー変種と,最先端技術を統合することのできるパラメータ化変種という,2つの異なる方法を提案する。
  論文  参考訳（メタデータ） (2024-03-26T13:38:06Z)
• Quantum-Assisted Hilbert-Space Gaussian Process Regression [0.0]
  本稿では,ガウス過程回帰のための空間近似に基づく量子アルゴリズムを提案する。 本手法は,古典的基底関数展開と量子コンピューティング技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-02-01T12:13:35Z)
• Rational kernel-based interpolation for complex-valued frequency response functions [0.0]
  この研究は、データからの複素値関数のカーネルベースの近似に関するものである。 複素値関数の新しいヒルベルト核空間を導入し、これらの空間の最小ノルムとしてカーネル対を用いて複素値の問題を定式化する。 電磁法や音響法など,様々な分野の例に対する数値的な結果から,本手法の性能が説明できる。
  論文  参考訳（メタデータ） (2023-07-25T13:21:07Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• 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)
• 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)
• A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
  最適化のための異なる手法を導出できる変分法を導入する。 我々は1対1の対応において最適化手法の2つのファミリを導出する。 自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
  論文  参考訳（メタデータ） (2021-06-04T20:21:53Z)
• Advanced Stationary and Non-Stationary Kernel Designs for Domain-Aware Gaussian Processes [0.0]
  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。
  論文  参考訳（メタデータ） (2021-02-05T22:07:56Z)
• Local optimization on pure Gaussian state manifolds [63.76263875368856]
  ボソニックおよびフェルミオンガウス状態の幾何学に関する洞察を利用して、効率的な局所最適化アルゴリズムを開発する。 この手法は局所幾何学に適応した降下勾配の概念に基づいている。 提案手法を用いて、任意の混合ガウス状態の精製の絡み合いを計算するのにガウス浄化が十分であるという予想の数値的および解析的証拠を収集する。
  論文  参考訳（メタデータ） (2020-09-24T18:00:36Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。