Fugu-MT 論文翻訳(概要): Principal component analysis for Gaussian process posteriors

論文の概要: Principal component analysis for Gaussian process posteriors

arxiv url: http://arxiv.org/abs/2107.07115v1
Date: Thu, 15 Jul 2021 04:40:02 GMT
ステータス: 処理完了
システム内更新日: 2021-07-16 14:09:42.783698
Title: Principal component analysis for Gaussian process posteriors
Title（参考訳）: gaussian process posteriorsにおける主成分分析
Authors: Hideaki Ishibashi and Shotaro Akaho
Abstract要約: GP-PCAはGP後部の低次元空間を推定する。これは、一連のタスクの構造を推定することによって、新しいタスクの精度を向上させるためのフレームワークであるメタラーニングに使用できる。
参考スコア（独自算出の注目度）: 3.8200053457335446
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes an extension of principal component analysis for Gaussian process posteriors denoted by GP-PCA. Since GP-PCA estimates a low-dimensional space of GP posteriors, it can be used for meta-learning, which is a framework for improving the precision of a new task by estimating a structure of a set of tasks. The issue is how to define a structure of a set of GPs with an infinite-dimensional parameter, such as coordinate system and a divergence. In this study, we reduce the infiniteness of GP to the finite-dimensional case under the information geometrical framework by considering a space of GP posteriors that has the same prior. In addition, we propose an approximation method of GP-PCA based on variational inference and demonstrate the effectiveness of GP-PCA as meta-learning through experiments.
Abstract（参考訳）: 本稿ではGP-PCAで表されるガウス過程後部における主成分分析の拡張を提案する。 GP-PCAはGP後部の低次元空間を推定するので、一連のタスクの構造を推定することにより、新しいタスクの精度を向上させるためのフレームワークであるメタラーニングに使用できる。問題は、座標系や発散のような無限次元のパラメータを持つGPの集合の構造をどのように定義するかである。本研究では,情報幾何学的枠組みの下でのGPの無限大性を,それ以前のGP後続空間を考慮し,有限次元の場合へ還元する。さらに,変分推論に基づくGP-PCAの近似法を提案し,実験によるメタラーニングにおけるGP-PCAの有効性を示す。

関連論文リスト

Beyond Intuition, a Framework for Applying GPs to Real-World Data [21.504659500727985]
本稿では,ある問題に対するGPの適合性を同定する枠組みと,頑健かつ明確に定義されたGPモデルの構築方法を提案する。この枠組みを氷河の標高変化のケーススタディに適用し,テスト時により正確な結果が得られることを示した。
論文参考訳（メタデータ） (2023-07-06T16:08:47Z)
Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文参考訳（メタデータ） (2023-02-28T14:01:01Z)
A Lanczos approach to the Adiabatic Gauge Potential [0.0]
断熱ゲージポテンシャル (AGP) は、断熱変形の下でハミルトンの固有系が変化する速度を測定する。このアプローチのバージョンは、Lanczosアルゴリズムを用いて、KrylovベクトルとAGPノルムでAGP演算子を評価することで、Lanczos係数でAGPノルムを評価する。
論文参考訳（メタデータ） (2023-02-14T18:18:21Z)
Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文参考訳（メタデータ） (2022-05-27T16:43:10Z)
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)
Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
論文参考訳（メタデータ） (2021-12-01T23:15:09Z)
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)
Deep Neural Networks as Point Estimates for Deep Gaussian Processes [44.585609003513625]
本稿では,DGPの近似的な後進平均がディープニューラルネットワーク(DNN)と同じ数学的構造を持つスパース変分近似を提案する。我々は、GP後方平均をReLU基底関数の和として表すドメイン間変換を求めることで、ReLU DNNと同等のDGPを前方通過させる。実験は、現在のDGP法と比較して精度の向上とトレーニングの高速化を実証し、良好な予測不確実性を維持します。
論文参考訳（メタデータ） (2021-05-10T16:55:17Z)
Hierarchical Inducing Point Gaussian Process for Inter-domain Observations [9.880362989790923]
hierarchical Induction point GP (HIP-GP) はスケーラブルなドメイン間GP推論手法である。 HIP-GPは低次元問題に適している。
論文参考訳（メタデータ） (2021-02-28T04:20:58Z)
Sparse Gaussian Process Variational Autoencoders [24.86751422740643]
既存のGP-DGMにおける推論のアプローチは、点に基づくスパースGP近似をサポートしない。我々は,スパースGP近似のパラメータ化に部分的推論ネットワークを用いることで特徴付けられるスパースガウス過程変動オートエンコーダ(GP-VAE)を開発した。
論文参考訳（メタデータ） (2020-10-20T10:19:56Z)

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。