論文の概要: Gaussian Process Sampling and Optimization with Approximate Upper and Lower Bounds

• arxiv url: http://arxiv.org/abs/2110.12087v1
• Date: Fri, 22 Oct 2021 22:35:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 00:55:55.645695
• Title: Gaussian Process Sampling and Optimization with Approximate Upper and Lower Bounds
• Title（参考訳）: 近似的上下境界を用いたガウス過程サンプリングと最適化
• Authors: Vu Nguyen, Marc Peter Deisenroth, Michael A. Osborne
• Abstract要約: 多くの関数は、ほぼ既知の上界と下界を持ち、そのような関数のモデリングを補助する可能性がある。 そのような境界が(ほぼ)知られている関数に対するガウス過程モデルを導入する。 すなわち、与えられた境界を満たすGPモデルを変換し、その後からサンプル関数と重み関数を導出する。
• 参考スコア（独自算出の注目度）: 43.70206216468687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many functions have approximately-known upper and/or lower bounds, potentially aiding the modeling of such functions. In this paper, we introduce Gaussian process models for functions where such bounds are (approximately) known. More specifically, we propose the first use of such bounds to improve Gaussian process (GP) posterior sampling and Bayesian optimization (BO). That is, we transform a GP model satisfying the given bounds, and then sample and weight functions from its posterior. To further exploit these bounds in BO settings, we present bounded entropy search (BES) to select the point gaining the most information about the underlying function, estimated by the GP samples, while satisfying the output constraints. We characterize the sample variance bounds and show that the decision made by BES is explainable. Our proposed approach is conceptually straightforward and can be used as a plug in extension to existing methods for GP posterior sampling and Bayesian optimization.
• Abstract（参考訳）: 多くの関数はおおむね上界と下界が知られており、そのような関数のモデリングを支援する可能性がある。 本稿では,そのような境界が(ほぼ)知られている関数に対するガウス過程モデルを提案する。 具体的には,ガウス過程 (GP) の後方サンプリングとベイズ最適化 (BO) を改善するために,そのような境界を初めて利用することを提案する。 すなわち、与えられた境界を満たすGPモデルを変換し、その後からサンプル関数と重み関数を導出する。 これらの境界をboの設定でさらに活用するために, 出力制約を満たしながら, gpサンプルから推定される基本関数に関する情報を最も多く得る点を選択するための境界エントロピー探索(bes)を提案する。 サンプル分散境界を特徴付け、BESによる決定が説明可能であることを示す。 提案手法は概念的に単純であり,既存のGP後方サンプリング法やベイズ最適化法への拡張として利用できる。

関連論文リスト

• Fast post-process Bayesian inference with Variational Sparse Bayesian Quadrature [13.36200518068162]
  本稿では,既存の目標密度評価から高速な後続近似を得る手段として,プロセス後ベイズ推定の枠組みを提案する。 この枠組みでは,ブラックボックスと潜在的ノイズの可能性のあるモデルに対して,プロセス後近似推定法である変分スパースベイズ近似(VSBQ)を導入する。 本手法は,計算神経科学による難解な合成シナリオと実世界の応用について検証する。
  論文  参考訳（メタデータ） (2023-03-09T13:58:35Z)
• Relaxed Gaussian process interpolation: a goal-oriented approach to Bayesian optimization [0.0]
  本研究では,ガウス過程(GP)モデリングの文脈で予測分布を求める新しい手法を提案する。 緩和ガウス過程(reGP)と呼ばれる手法は、興味の範囲でより良い予測分布を提供する。 これはゴール指向の方法と見なすことができ、ベイズ最適化において特に興味深いものとなる。
  論文  参考訳（メタデータ） (2022-06-07T06:26:46Z)
• 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)
• Scalable Bayesian Optimization Using Vecchia Approximations of Gaussian Processes [0.0]
  空間統計学から一般的なGP近似であるVecchia近似を適用し、スケーラブルな高次元ベイズ最適化を実現する。 我々は、トンプソンサンプリングによる信頼領域ベイズ最適化における歪んだヴェッキアGPの使用に焦点を当てた。
  論文  参考訳（メタデータ） (2022-03-02T23:55:14Z)
• 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)
• 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)
• Preferential Bayesian optimisation with Skew Gaussian Processes [0.225596179391365]
  選好関数の真の後続分布はスキューガウス過程(SkewGP)であることを示す。 我々は、正確なSkiwGP後部を計算し、標準取得関数を用いたPBOの代理モデルとして利用する効率的な手法を導出する。 また、我々のフレームワークは、混合優先カテゴリーBOを扱うように拡張可能であることも示している。
  論文  参考訳（メタデータ） (2020-08-15T08:23:17Z)
• Randomised Gaussian Process Upper Confidence Bound for Bayesian Optimisation [60.93091603232817]
  改良されたガウス過程上信頼境界(GP-UCB)取得関数を開発した。 これは、分布から探索・探索トレードオフパラメータをサンプリングすることによって行われる。 これにより、期待されるトレードオフパラメータが、関数のベイズ的後悔に縛られることなく、問題によりよく適合するように変更できることが証明される。
  論文  参考訳（メタデータ） (2020-06-08T00:28:41Z)
• 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。