論文の概要: Vector-valued Gaussian Processes on Riemannian Manifolds via Gauge
Equivariant Projected Kernels
- arxiv url: http://arxiv.org/abs/2110.14423v1
- Date: Wed, 27 Oct 2021 13:31:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 20:23:59.546761
- Title: Vector-valued Gaussian Processes on Riemannian Manifolds via Gauge
Equivariant Projected Kernels
- Title(参考訳): ゲージ同変射影核によるリーマン多様体上のベクトル値ガウス過程
- Authors: Michael Hutchinson, Alexander Terenin, Viacheslav Borovitskiy, So
Takao, Yee Whye Teh, Marc Peter Deisenroth
- Abstract要約: 本稿では、ベクトル値のガウス過程を幾何学に忠実に誘導するゲージ同変カーネルの構築法を提案する。
我々は,変分推論などの標準ガウスプロセストレーニング手法を,この設定に拡張する。
- 参考スコア(独自算出の注目度): 108.60991563944351
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gaussian processes are machine learning models capable of learning unknown
functions in a way that represents uncertainty, thereby facilitating
construction of optimal decision-making systems. Motivated by a desire to
deploy Gaussian processes in novel areas of science, a rapidly-growing line of
research has focused on constructively extending these models to handle
non-Euclidean domains, including Riemannian manifolds, such as spheres and
tori. We propose techniques that generalize this class to model vector fields
on Riemannian manifolds, which are important in a number of application areas
in the physical sciences. To do so, we present a general recipe for
constructing gauge equivariant kernels, which induce Gaussian vector fields,
i.e. vector-valued Gaussian processes coherent with geometry, from
scalar-valued Riemannian kernels. We extend standard Gaussian process training
methods, such as variational inference, to this setting. This enables
vector-valued Gaussian processes on Riemannian manifolds to be trained using
standard methods and makes them accessible to machine learning practitioners.
- Abstract(参考訳): ガウス過程は未知の関数を不確実性を表す方法で学習し、最適な意思決定システムの構築を容易にする機械学習モデルである。
科学の新たな領域にガウス過程を展開したいという願望によって、急速に成長する研究のラインは、球面やトーラスのようなリーマン多様体を含む非ユークリッド領域を扱うためにこれらのモデルを建設的に拡張することに焦点を当てている。
このクラスをリーマン多様体上のベクトル場をモデル化するために一般化する手法を提案する。
そこで本稿では,ガウスベクトル場,すなわちスカラー値リーマン核から幾何学と整合するベクトル値ガウス過程を誘導するゲージ同変核の構成法を提案する。
我々は,変分推論などの標準ガウスプロセストレーニング手法を,この設定に拡張する。
これにより、リーマン多様体上のベクトル値ガウス過程を標準手法で訓練することができ、機械学習の実践者が利用できる。
関連論文リスト
- Intrinsic Gaussian Vector Fields on Manifolds [40.20536208199638]
得られたホッジ・マタン・ガウスベクトル場を二次元球面とハイパートーラス上に展開するのに必要となるプリミティブを提供する。
ガウスベクトル場は、前述した外生的場よりもかなり洗練された帰納的バイアスを構成することを示す。
論文 参考訳(メタデータ) (2023-10-28T21:17:36Z) - Posterior Contraction Rates for Mat\'ern Gaussian Processes on
Riemannian Manifolds [51.68005047958965]
我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。
我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
論文 参考訳(メタデータ) (2023-09-19T20:30:58Z) - 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) - Geometry-aware Bayesian Optimization in Robotics using Riemannian
Mat\'ern Kernels [64.62221198500467]
ベイズ最適化のための幾何対応カーネルの実装方法を示す。
この技術は、ロボット工学における制御パラメータチューニング、パラメトリックポリシー適応、構造設計に利用できる。
論文 参考訳(メタデータ) (2021-11-02T09:47:22Z) - Mat\'ern Gaussian Processes on Graphs [67.13902825728718]
我々は、マタン・ガウス過程の偏微分方程式のキャラクタリゼーションを利用して、そのアナログを無向グラフに対して研究する。
得られたガウス過程がユークリッドアナログやユークリッドアナログの様々な魅力的な性質を継承することを示す。
これにより、グラフのMat'ern Gaussianプロセスがミニバッチや非共役設定に使用できる。
論文 参考訳(メタデータ) (2020-10-29T13:08:07Z) - 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。