論文の概要: Incorporating Sum Constraints into Multitask Gaussian Processes
- arxiv url: http://arxiv.org/abs/2202.01793v1
- Date: Thu, 3 Feb 2022 19:00:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 14:35:45.232215
- Title: Incorporating Sum Constraints into Multitask Gaussian Processes
- Title(参考訳): sum制約をマルチタスクガウスプロセスに組み込む
- Authors: Philipp Pilar, Carl Jidling, Thomas B. Sch\"on, Niklas Wahlstr\"om
- Abstract要約: 出力の特定の和を一定とする制約の形で、背景知識を持つマルチタスクガウス過程を考察する。
これは、制約フルフィルメントに事前の分布を条件付けることで達成される。
本研究では,制約を高精度に達成し,全体の予測精度を向上させることを実証する。
- 参考スコア(独自算出の注目度): 0.5161531917413706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models can be improved by adapting them to respect existing
background knowledge. In this paper we consider multitask Gaussian processes,
with background knowledge in the form of constraints that require a specific
sum of the outputs to be constant. This is achieved by conditioning the prior
distribution on the constraint fulfillment. The approach allows for both linear
and nonlinear constraints. We demonstrate that the constraints are fulfilled
with high precision and that the construction can improve the overall
prediction accuracy as compared to the standard Gaussian process.
- Abstract(参考訳): 既存のバックグラウンド知識を尊重することで、機械学習モデルを改善することができる。
本稿では,出力の特定の和が一定である必要のある制約の形で,背景知識を持つマルチタスクガウス過程を考える。
これは制約充足の事前分布を条件付けることで達成される。
このアプローチは線形制約と非線形制約の両方を可能にする。
そこで本研究では,制約を高精度に満たし,標準ガウス法と比較して全体の予測精度を向上させることを実証する。
関連論文リスト
- Constrained Optimization via Exact Augmented Lagrangian and Randomized
Iterative Sketching [55.28394191394675]
等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。
ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-28T06:33:37Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - 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) - Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for
Safety-Critical Applications [71.23286211775084]
未知のハイパーパラメータを持つ設定において、ロバストなガウス過程の均一なエラー境界を導入する。
提案手法はハイパーパラメータの空間における信頼領域を計算し,モデル誤差に対する確率的上限を求める。
実験により、バニラ法やベイズ法よりもバニラ法の方がはるかに優れていることが示された。
論文 参考訳(メタデータ) (2021-09-06T17:10:01Z) - Residual Gaussian Process: A Tractable Nonparametric Bayesian Emulator
for Multi-fidelity Simulations [6.6903363553912305]
高い忠実度溶液を最低忠実度溶液と残留物の和として記述する新規な付加構造が導入された。
得られたモデルは、予測後部のための閉形式解を備える。
特に計算予算が限られているモデルを改善するために,アクティブな学習がいかに有効かを示す。
論文 参考訳(メタデータ) (2021-04-08T12:57:46Z) - Uniform Error and Posterior Variance Bounds for Gaussian Process
Regression with Application to Safe Control [11.42419064387567]
本論文では,Lipschitzを用いた新しい一様誤差と,大規模カーネルの後方分散関数の解析について述べる。
これらの結果は、未知の動的システムの安全な制御を保証するためにどのように使用できるかを示す。
論文 参考訳(メタデータ) (2021-01-13T20:06:30Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - Beyond the Mean-Field: Structured Deep Gaussian Processes Improve the
Predictive Uncertainties [12.068153197381575]
高速収束を達成しつつ、潜在過程間の共分散を維持できる新しい変分族を提案する。
新しいアプローチの効率的な実装を提供し、それをいくつかのベンチマークデータセットに適用します。
優れた結果をもたらし、最先端の代替品よりも精度とキャリブレーションされた不確実性推定とのバランスが良くなる。
論文 参考訳(メタデータ) (2020-05-22T11:10:59Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳(メタデータ) (2020-05-21T20:59:11Z) - Learning Constrained Dynamics with Gauss Principle adhering Gaussian
Processes [7.643999306446022]
本稿では,解析力学からの洞察とガウス過程の回帰を組み合わせ,モデルのデータ効率と制約整合性を改善することを提案する。
本モデルにより,制約付きシステムのデータから制約なしシステムの加速度を推定できる。
論文 参考訳(メタデータ) (2020-04-23T15:26:51Z) - Teaching the Old Dog New Tricks: Supervised Learning with Constraints [18.88930622054883]
機械学習に制約サポートを追加することは、データ駆動型AIシステムにおいて際立った問題に対処する可能性がある。
既存のアプローチでは、MLトレーニングに制約付き最適化手法を適用し、モデル設計を調整することによって制約満足度を強制するか、あるいは出力を修正するために制約を使用するのが一般的である。
そこで本研究では,教師付きML手法に対する制約満足度を,最先端制約解決器の直接利用により,それぞれ異なる,補完的な制約満足度に基づく戦略について検討する。
論文 参考訳(メタデータ) (2020-02-25T09:47:39Z)
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。