論文の概要: A piece-wise constant approximation for non-conjugate Gaussian Process models

• arxiv url: http://arxiv.org/abs/2204.10575v1
• Date: Fri, 22 Apr 2022 08:53:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 21:45:05.291532
• Title: A piece-wise constant approximation for non-conjugate Gaussian Process models
• Title（参考訳）: 非共役ガウス過程モデルに対するピースワイド定数近似
• Authors: Sarem Seitz
• Abstract要約: 本稿では,非ガウス確率を扱う際に必要となる逆リンク関数を近似することを提案する。 これにより対応する SVGP の下界に対する閉形式解が得られることが示される。 さらに、ピースワイド定数関数自体を最適化して、手元にあるデータから学習可能な逆リンク関数を実現できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian Processes (GPs) are a versatile and popular method in Bayesian Machine Learning. A common modification are Sparse Variational Gaussian Processes (SVGPs) which are well suited to deal with large datasets. While GPs allow to elegantly deal with Gaussian-distributed target variables in closed form, their applicability can be extended to non-Gaussian data as well. These extensions are usually impossible to treat in closed form and hence require approximate solutions. This paper proposes to approximate the inverse-link function, which is necessary when working with non-Gaussian likelihoods, by a piece-wise constant function. It will be shown that this yields a closed form solution for the corresponding SVGP lower bound. In addition, it is demonstrated how the piece-wise constant function itself can be optimized, resulting in an inverse-link function that can be learnt from the data at hand.
• Abstract（参考訳）: Gaussian Processes (GP) はベイズ機械学習において汎用的で一般的な手法である。 一般的な修正は、大きなデータセットを扱うのに適したスパース変分ガウス過程(SVGP)である。 GPはガウス分布のターゲット変数を閉形式でエレガントに扱うことができるが、その適用性は非ガウスデータにも拡張できる。 これらの拡張は通常閉形式で扱うことは不可能であり、従って近似解を必要とする。 本稿では,非ガウス確率を扱う際に必要となる逆リンク関数を,ピースワイド定数関数で近似することを提案する。 これにより対応する SVGP の下界に対する閉形式解が得られることが示される。 さらに、ピースワイド定数関数自体を最適化して、手元にあるデータから学習可能な逆リンク関数を実現できることを示す。

関連論文リスト

• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Shallow and Deep Nonparametric Convolutions for Gaussian Processes [0.0]
  GPの非パラメトリックプロセス畳み込み定式化を導入し,機能サンプリング手法を用いて弱点を緩和する。 古典的ディープGPモデルの代替となるこれらの非パラメトリック畳み込みの合成を提案する。
  論文  参考訳（メタデータ） (2022-06-17T19:03:04Z)
• 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)
• Adjoint-aided inference of Gaussian process driven differential equations [0.8257490175399691]
  本稿では,線形系の随伴性を用いて,GPとしてモデル化された強制関数を効率的に推論する方法を示す。 常微分方程式と偏微分方程式の両方の系に対するアプローチを実証する。
  論文  参考訳（メタデータ） (2022-02-09T17:35:14Z)
• Conditioning Sparse Variational Gaussian Processes for Online Decision-making [40.13509498161087]
  オンライン変分条件付け(オンライン変分条件付け、英語: Online variational conditioning、OVC)は、オンライン環境でSVGPを効率的に条件付けするための手順である。 OVCは、マラリアの発生を活発に学習するなど、さまざまなアプリケーションで魅力的なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2021-10-28T14:49:34Z)
• 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)
• 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)
• 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)
• Sparse Gaussian Process Based On Hat Basis Functions [14.33021332215823]
  制約のない回帰問題を解くために,新しいスパースガウス法を提案する。 提案手法は, 計算複雑性を正確なガウス過程において$O(n3)$から$O(nm2)$に減らし, $m$のハット基底関数と$n$のトレーニングデータポイントを備える。
  論文  参考訳（メタデータ） (2020-06-15T03:55:38Z)

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。