論文の概要: Encoding spatiotemporal priors with VAEs for small-area estimation
- arxiv url: http://arxiv.org/abs/2110.10422v1
- Date: Wed, 20 Oct 2021 08:14:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 23:15:08.831165
- Title: Encoding spatiotemporal priors with VAEs for small-area estimation
- Title(参考訳): 微小領域推定のためのvaesを用いた時空間前兆の符号化
- Authors: Elizaveta Semenova, Yidan Xu, Adam Howes, Theo Rashid, Samir Bhatt,
Swapnil Mishra, Seth Flaxman
- Abstract要約: 本稿では,新しい時間的設定に対処する深層生成モデリング手法を提案する。
可変オートエンコーダ(VAE)の事前装着による事前サンプリングのクラスを近似する。
VAEは独立に分散された潜在ガウス空間表現のため、推論を驚くほど効率的にすることができる。
ベイズ型小面積推定タスクにおけるVAE2段階アプローチの有用性を実証する。
- 参考スコア(独自算出の注目度): 2.4783465852664324
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gaussian processes (GPs), implemented through multivariate Gaussian
distributions for a finite collection of data, are the most popular approach in
small-area spatiotemporal statistical modelling. In this context they are used
to encode correlation structures over space and time and can generalise well in
interpolation tasks. Despite their flexibility, off-the-shelf GPs present
serious computational challenges which limit their scalability and practical
usefulness in applied settings. Here, we propose a novel, deep generative
modelling approach to tackle this challenge: for a particular spatiotemporal
setting, we approximate a class of GP priors through prior sampling and
subsequent fitting of a variational autoencoder (VAE). Given a trained VAE, the
resultant decoder allows spatiotemporal inference to become incredibly
efficient due to the low dimensional, independently distributed latent Gaussian
space representation of the VAE. Once trained, inference using the VAE decoder
replaces the GP within a Bayesian sampling framework. This approach provides
tractable and easy-to-implement means of approximately encoding spatiotemporal
priors and facilitates efficient statistical inference. We demonstrate the
utility of our VAE two stage approach on Bayesian, small-area estimation tasks.
- Abstract(参考訳): ガウス過程(英: Gaussian process、GP)は、小面積時空間統計モデリングにおいて最も一般的なアプローチである。
この文脈では、空間と時間上の相関構造を符号化するために使われ、補間タスクにおいてよく一般化することができる。
その柔軟性にもかかわらず、既製のGPは、適用された設定におけるスケーラビリティと実用性を制限する重大な計算課題を提示する。
本稿では,この課題に対処するための,より深い生成的モデリング手法を提案する。特定の時空間設定に対しては,事前サンプリングと変分オートエンコーダ(VAE)の付加により,GP先行のクラスを近似する。
トレーニングされたVAEが与えられた場合、結果のデコーダは、VAEの低次元で独立に分散された潜在ガウス空間表現のために、時空間の時空間推論が信じられないほど効率的になる。
トレーニングが完了すると、VAEデコーダを使用した推論がベイズサンプリングフレームワーク内のGPを置き換える。
このアプローチは、時空間前駆をおよそエンコードする、扱いやすく実装しやすい手段を提供し、効率的な統計推論を容易にする。
ベイズ型小面積推定タスクにおけるVAE2段階アプローチの有用性を実証する。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳(メタデータ) (2024-09-14T07:44:22Z) - Linear Time GPs for Inferring Latent Trajectories from Neural Spike
Trains [7.936841911281107]
我々は,Hida-Mat'ernカーネルと共役変分推論(CVI)を利用した潜在GPモデルの一般的な推論フレームワークであるcvHMを提案する。
我々は任意の確率で線形時間複雑性を持つ潜在神経軌道の変分推定を行うことができる。
論文 参考訳(メタデータ) (2023-06-01T16:31:36Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - Revisiting Active Sets for Gaussian Process Decoders [0.0]
我々は最近発見されたクロスバリデーションのリンクに基づいて,ログマージ可能性の新たな推定法を開発した。
結果の能動集合 (SAS) 近似がGPデコーダトレーニングの堅牢性を大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-09-10T10:49:31Z) - Markovian Gaussian Process Variational Autoencoders [19.686719654642392]
我々はマルコフ型GPの等価離散状態空間表現を活用し、カルマンフィルタと平滑化による線形時間 GPVAE トレーニングを可能にする。
我々のモデルであるMGPVAE(Markovian GPVAE)では,従来の手法と比較して,多種多様な高次元時間的課題を示す。
論文 参考訳(メタデータ) (2022-07-12T14:10:01Z) - 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) - Gaussian Processes to speed up MCMC with automatic
exploratory-exploitation effect [1.0742675209112622]
確率モデルをサンプリングするための2段階のメトロポリス・ハスティングスアルゴリズムを提案する。
このアプローチの主な特徴は、サンプリング中にターゲットの分布をスクラッチから学習する能力である。
論文 参考訳(メタデータ) (2021-09-28T17:43:25Z) - Reducing the Amortization Gap in Variational Autoencoders: A Bayesian
Random Function Approach [38.45568741734893]
GPモデルの推論は、セミアモタイズ法よりもはるかに高速な1つのフィードフォワードパスによって行われる。
提案手法は,複数のベンチマークデータセットの最先端データよりも高い確率でテストデータが得られることを示す。
論文 参考訳(メタデータ) (2021-02-05T13:01:12Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳(メタデータ) (2020-12-04T15:36:29Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳(メタデータ) (2020-07-20T12:07:48Z) - 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)
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。