論文の概要: Invariant Priors for Bayesian Quadrature
- arxiv url: http://arxiv.org/abs/2112.01578v1
- Date: Thu, 2 Dec 2021 19:42:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 15:06:56.354383
- Title: Invariant Priors for Bayesian Quadrature
- Title(参考訳): ベイズ二次数の不変前駆
- Authors: Masha Naslidnyk, Javier Gonzalez, Maren Mahsereci
- Abstract要約: 入力領域における変換の集合の下で積分の不変性を符号化する先行性について検討する。
いくつかの合成および1つの実世界の応用において,標準的なベイズ二次よりも優れた性能を示す。
- 参考スコア(独自算出の注目度): 8.185918509343818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian quadrature (BQ) is a model-based numerical integration method that
is able to increase sample efficiency by encoding and leveraging known
structure of the integration task at hand. In this paper, we explore priors
that encode invariance of the integrand under a set of bijective
transformations in the input domain, in particular some unitary
transformations, such as rotations, axis-flips, or point symmetries. We show
initial results on superior performance in comparison to standard Bayesian
quadrature on several synthetic and one real world application.
- Abstract(参考訳): Bayesian quadrature (BQ) はモデルに基づく数値積分法であり、手前の積分タスクの既知の構造を符号化し活用することで、サンプル効率を向上させることができる。
本稿では, 入力領域における単射変換の集合, 特に回転, 軸フリップ, 点対称性などのユニタリ変換の下で, 積分の不変性をエンコードする前処理について検討する。
いくつかの合成および1つの実世界の応用において,標準的なベイズ二次よりも優れた性能を示す。
関連論文リスト
- Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
論文 参考訳(メタデータ) (2023-07-24T08:46:12Z) - Robust scalable initialization for Bayesian variational inference with
multi-modal Laplace approximations [0.0]
フル共分散構造を持つ変分混合は、パラメータ数による変動パラメータによる二次的な成長に苦しむ。
本稿では,変分推論のウォームスタートに使用できる初期ガウスモデル近似を構築する方法を提案する。
論文 参考訳(メタデータ) (2023-07-12T19:30:04Z) - Exact Manifold Gaussian Variational Bayes [76.95091121622674]
複雑なモデルにおける変分推論(VI)の最適化アルゴリズムを提案する。
本研究では,変分行列上の正定値制約を暗黙的に満足するガウス変分推論の効率的なアルゴリズムを開発する。
ブラックボックスの性質のため、EMGVBは複雑なモデルにおけるVIのための準備が整ったソリューションである。
論文 参考訳(メタデータ) (2022-10-26T10:12:31Z) - A Variational Approach for Joint Image Recovery and Feature Extraction
Based on Spatially-Varying Generalised Gaussian Models [13.952521992627847]
再構成/抽出最適化の連立問題は画像処理において難しい課題である。
共同で画像の復元と画像の抽出を行う。
論文 参考訳(メタデータ) (2022-09-03T09:10:23Z) - Equivariant Mesh Attention Networks [10.517110532297021]
上述したすべての変換にほぼ同値なメッシュデータに対する注意に基づくアーキテクチャを提案する。
提案したアーキテクチャは,これらの局所的・言語的変換に対して同変であり,従って堅牢であることを確認した。
論文 参考訳(メタデータ) (2022-05-21T19:53:14Z) - Topographic VAEs learn Equivariant Capsules [84.33745072274942]
本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。
このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。
我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
論文 参考訳(メタデータ) (2021-09-03T09:25:57Z) - 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) - Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。
本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文 参考訳(メタデータ) (2021-01-15T11:39:09Z) - Bayesian learning of orthogonal embeddings for multi-fidelity Gaussian
Processes [3.564709604457361]
プロジェクション」マッピングは、事前未知と見なされる正則行列から成り、GPパラメータと共同で推論する必要がある。
提案するフレームワークをGPを用いたマルチ忠実度モデルに拡張し,複数の出力を同時にトレーニングするシナリオを含む。
提案手法の利点は, 産業用ガスタービン用最終段翼の3次元空力最適化に難渋するものである。
論文 参考訳(メタデータ) (2020-08-05T22:28:53Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z) - Bicoherent-State Path Integral Quantization of a non-Hermitian
Hamiltonian [0.0]
非エルミタン系を定量化する手法としてバイコヒーレント状態経路積分を導入する。
双コヒーレント状態経路積分は、通常のコヒーレント状態経路積分の自然な一般化として生じる。
論文 参考訳(メタデータ) (2020-01-14T18:26:10Z)
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。