Fugu-MT 論文翻訳(概要): Locally Smoothed Gaussian Process Regression

論文の概要: Locally Smoothed Gaussian Process Regression

arxiv url: http://arxiv.org/abs/2210.09998v1
Date: Tue, 18 Oct 2022 17:04:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 13:45:35.455500
Title: Locally Smoothed Gaussian Process Regression
Title（参考訳）: 局所平滑化ガウス過程回帰
Authors: Davit Gogolashvili, Bogdan Kozyrskiy, Maurizio Filippone
Abstract要約: 我々はガウス過程回帰(GPR)を加速する新しい枠組みを開発する。特に、各データポイントにおけるローカライゼーションカーネルは、遠く離れた他のデータポイントからのコントリビューションを低くするために検討する。提案手法の競合性能をGPR, その他の局所モデル, 深いガウス過程と比較した。
参考スコア（独自算出の注目度）: 11.45660271015251
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop a novel framework to accelerate Gaussian process regression (GPR). In particular, we consider localization kernels at each data point to down-weigh the contributions from other data points that are far away, and we derive the GPR model stemming from the application of such localization operation. Through a set of experiments, we demonstrate the competitive performance of the proposed approach compared to full GPR, other localized models, and deep Gaussian processes. Crucially, these performances are obtained with considerable speedups compared to standard global GPR due to the sparsification effect of the Gram matrix induced by the localization operation.
Abstract（参考訳）: 我々はガウス過程回帰(GPR)を加速する新しい枠組みを開発する。特に,各データポイントにおけるローカライズ・カーネルを,遠く離れた他のデータポイントからの貢献を低く評価し,そのようなローカライズ・オペレーションの適用によるgprモデルを導出する。一連の実験を通して,提案手法の完全GPR, その他の局所モデル, 深いガウス過程と比較して, 競合性能を実証する。これらの性能は, ローカライズ操作によって誘導されるグラムマトリックスのスパーシフィケーション効果により, 標準グローバルgprと比較して相当なスピードアップで得られる。

関連論文リスト

Gaussian Primitives for Deformable Image Registration [9.184092856125067]
脳MRI、肺CT、心臓MRIのデータセットの実験結果から、GaussianDIRは既存のDIR法よりも精度と効率が優れていることが示されている。トレーニングなしのアプローチとして、反復的手法は本質的に遅く、一般化不足の限界を超越しているというステレオタイプに挑戦する。
論文参考訳（メタデータ） (2024-06-05T15:44:54Z)
Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文参考訳（メタデータ） (2024-02-27T15:08:57Z)
Self-Distillation for Gaussian Process Regression and Classification [0.0]
本稿では,知識蒸留の概念をガウスプロセス回帰(GPR)とガウスプロセス分類(GPC)に拡張する2つのアプローチを提案する。データ中心のアプローチは、機械学習の現在の蒸留技術に似ており、教師による決定論的予測のモデルに適合する。分布中心のアプローチは、次のイテレーションの完全な確率的後部を再利用する。
論文参考訳（メタデータ） (2023-04-05T17:59:20Z)
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)
Local optimization on pure Gaussian state manifolds [63.76263875368856]
ボソニックおよびフェルミオンガウス状態の幾何学に関する洞察を利用して、効率的な局所最適化アルゴリズムを開発する。この手法は局所幾何学に適応した降下勾配の概念に基づいている。提案手法を用いて、任意の混合ガウス状態の精製の絡み合いを計算するのにガウス浄化が十分であるという予想の数値的および解析的証拠を収集する。
論文参考訳（メタデータ） (2020-09-24T18:00:36Z)
Locally induced Gaussian processes for large-scale simulation experiments [0.0]
本稿では,ポイントの配置とその多さを病理学的に抑制できることを示す。提案手法は,グローバルなインジェクションポイントとデータサブセットに基づく局所GP近似をハイブリダイズする。計算効率のフロンティアにおいて,局所誘導点がグローバルおよびデータサブセットの構成要素を拡張していることを示す。
論文参考訳（メタデータ） (2020-08-28T21:37:46Z)
Gaussian Process Regression with Local Explanation [28.90948136731314]
本稿では,各サンプルの予測に寄与する特徴を明らかにするため,局所的な説明を伴うGPRを提案する。提案モデルでは,各サンプルの予測と説明を,容易に解釈可能な局所線形モデルを用いて行う。新しい試験サンプルでは, 対象変数と重みベクトルの値と不確かさを予測できる。
論文参考訳（メタデータ） (2020-07-03T13:22:24Z)
Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文参考訳（メタデータ） (2020-06-18T14:24:05Z)
Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文参考訳（メタデータ） (2020-06-16T18:43:31Z)
Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文参考訳（メタデータ） (2020-03-04T08:15:06Z)

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。