論文の概要: Safe Active Learning for Multi-Output Gaussian Processes

• arxiv url: http://arxiv.org/abs/2203.14849v1
• Date: Mon, 28 Mar 2022 15:41:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 13:38:37.850269
• Title: Safe Active Learning for Multi-Output Gaussian Processes
• Title（参考訳）: マルチアウトプットガウス過程におけるsafe active learning
• Authors: Cen-You Li, Barbara Rakitsch, Christoph Zimmer
• Abstract要約: 本稿では,多出力ガウス過程回帰に対する安全な能動学習手法を提案する。 このアプローチは、回帰器と安全性の制約を考慮に入れた最も情報性の高いデータや出力をクエリする。
• 参考スコア（独自算出の注目度）: 6.0803541683577444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-output regression problems are commonly encountered in science and engineering. In particular, multi-output Gaussian processes have been emerged as a promising tool for modeling these complex systems since they can exploit the inherent correlations and provide reliable uncertainty estimates. In many applications, however, acquiring the data is expensive and safety concerns might arise (e.g. robotics, engineering). We propose a safe active learning approach for multi-output Gaussian process regression. This approach queries the most informative data or output taking the relatedness between the regressors and safety constraints into account. We prove the effectiveness of our approach by providing theoretical analysis and by demonstrating empirical results on simulated datasets and on a real-world engineering dataset. On all datasets, our approach shows improved convergence compared to its competitors.
• Abstract（参考訳）: 多出力回帰問題は科学や工学でよく見られる。 特に、多重出力ガウス過程は、固有相関を活用し、信頼性の高い不確実性推定を提供するため、これらの複雑なシステムをモデリングするための有望なツールとして現れてきた。 しかし、多くのアプリケーションでは、データ取得は高価であり、安全性の懸念(ロボティクス、エンジニアリングなど)が発生する可能性がある。 マルチ出力ガウス過程回帰に対する安全な能動学習手法を提案する。 このアプローチは、回帰器と安全制約を考慮に入れた最も情報性の高いデータや出力をクエリする。 本手法は,理論解析を行い,シミュレーションデータセットと実世界のエンジニアリングデータセット上で実験結果を示すことにより,その効果を実証する。 すべてのデータセットにおいて、我々のアプローチは、競合他社と比較して収束性が改善されている。

関連論文リスト

• Inference for Large Scale Regression Models with Dependent Errors [3.3160726548489015]
  この研究は、外因性変数を持つ一般化ウェーブレットモーメント法(GMWMX)の統計的性質を定義し、証明する。 これは、遅延依存構造や欠落データのようなデータ複雑度が存在するプロセスを用いて、線形モデルに対する推論を推定し、提供するための、高度にスケーラブルで安定で統計的に有効な方法である。
  論文  参考訳（メタデータ） (2024-09-08T17:01:05Z)
• Active learning for regression in engineering populations: A risk-informed approach [0.0]
  回帰は、データ中心のエンジニアリングアプリケーションで一般的な基本的な予測タスクである。 アクティブラーニング(英: Active Learning)は、リソース効率のよい特徴ラベルペアを優先的に取得する手法である。 提案手法は, 予測性能を維持しつつ, 必要な検査回数を削減し, 予測コストの観点から優れた性能を有することを示す。
  論文  参考訳（メタデータ） (2024-09-06T15:03:42Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [61.580419063416734]
  最近の構造化学習手法のストリームは、様々な最適化問題に対する技術の実践的状態を改善している。 鍵となる考え方は、インスタンスを別々に扱うのではなく、インスタンス上の統計分布を利用することだ。 本稿では,最適化を容易にし,一般化誤差を改善するポリシを摂動することでリスクを円滑にする手法について検討する。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
  雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。 このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
  論文  参考訳（メタデータ） (2024-01-29T03:42:37Z)
• A spectrum of physics-informed Gaussian processes for regression in engineering [0.0]
  センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。 本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
  論文  参考訳（メタデータ） (2023-09-19T14:39:03Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Latent Variable Method Demonstrator -- Software for Understanding Multivariate Data Analytics Algorithms [0.0]
  この記事では、潜在変数の方法を教え、学習し、理解するための対話型ソフトウェア、Latent Variable Demonstrator(LAVADE)について説明する。 ユーザは、Partial Least Squares(PLS)やPrincipal Component Regression(PCR)といった遅延変数メソッドと他の回帰メソッドをインタラクティブに比較することができる。 このソフトウェアにはデータ生成方法と3つの化学プロセスデータセットが含まれており、データセットの結果を異なるレベルの複雑さで比較することができる。
  論文  参考訳（メタデータ） (2022-05-17T07:02:41Z)
• Privacy-preserving Logistic Regression with Secret Sharing [0.0]
  Newton-Raphson法を用いて秘密共有型プライバシー保護ロジスティック回帰プロトコルを提案する。 提案手法は,複数ソースからのロジスティック回帰を安全にトレーニングするために,大規模なデータセットを処理可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-14T14:53:50Z)

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。