Fugu-MT 論文翻訳(概要): Provably Reliable Large-Scale Sampling from Gaussian Processes

論文の概要: Provably Reliable Large-Scale Sampling from Gaussian Processes

arxiv url: http://arxiv.org/abs/2211.08036v1
Date: Tue, 15 Nov 2022 10:36:21 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 14:08:09.920623
Title: Provably Reliable Large-Scale Sampling from Gaussian Processes
Title（参考訳）: ガウス過程からの信頼性の高い大規模サンプリング
Authors: Anthony Stephenson, Robert Allison, Edward Pyzer-Knapp
Abstract要約: 近似ガウス過程(GP)モデルからサイズ(n)サンプルを生成する方法を示す。高い確率で、試料が所望のGPのサンプルと区別できないことを保証します。
参考スコア（独自算出の注目度）: 3.6417668958891793
License: http://creativecommons.org/licenses/by/4.0/
Abstract: When comparing approximate Gaussian process (GP) models, it can be helpful to be able to generate data from any GP. If we are interested in how approximate methods perform at scale, we may wish to generate very large synthetic datasets to evaluate them. Na\"{i}vely doing so would cost $\mathcal{O}(n^3)$ flops and $\mathcal{O}(n^2)$ memory to generate a size $n$ sample. We demonstrate how to scale such data generation to large $n$ whilst still providing guarantees that, with high probability, the sample is indistinguishable from a sample from the desired GP.
Abstract（参考訳）: 近似ガウス過程(GP)モデルを比較する場合、任意のGPからデータを生成することができる。近似手法が大規模にどのように機能するかに興味があるなら、非常に大きな合成データセットを生成して評価したいと思うかもしれない。 na\"{i}vely は $\mathcal{o}(n^3)$ flops と $\mathcal{o}(n^2)$ メモリでサイズ $n$ のサンプルを生成する。このようなデータ生成を大きな $n$ にスケールする方法を実証する一方で、高い確率で、試料が所望の GP のサンプルと区別できないことを保証している。

関連論文リスト

Gaussian Processes Sampling with Sparse Grids under Additive Schwarz Preconditioner [6.408773096179187]
本稿では,GPモデルの前と後をランダムに実現するためのスケーラブルなアルゴリズムを提案する。提案アルゴリズムはスパースグリッドを用いた点近似と加法的シュワルツプレコンディショナーを利用する。
論文参考訳（メタデータ） (2024-08-01T00:19:36Z)
A Good Score Does not Lead to A Good Generative Model [14.752242187781107]
スコアベース生成モデル(SGM)は、生成モデリングにおける主要な手法の一つである。基礎となるスコア関数が十分に学習された場合,SGMは基底構造に近い分布からサンプルを生成することができることを示す。
論文参考訳（メタデータ） (2024-01-10T00:17:36Z)
Implicit Manifold Gaussian Process Regression [49.0787777751317]
ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
論文参考訳（メタデータ） (2023-10-30T09:52:48Z)
Adaptive Sketches for Robust Regression with Importance Sampling [64.75899469557272]
我々は、勾配降下(SGD)による頑健な回帰を解くためのデータ構造を導入する。我々のアルゴリズムは、サブ線形空間を使用し、データに1回パスするだけで、SGDの$T$ステップを重要サンプリングで効果的に実行します。
論文参考訳（メタデータ） (2022-07-16T03:09:30Z)
Algorithmic Gaussianization through Sketching: Converting Data into Sub-gaussian Random Designs [22.925108493465363]
平均化によるデータ分布のガウシアン化のためのアルゴリズムフレームワークを提供する。我々は、ガウス以下のランダムな設計とほとんど区別できないデータスケッチを効率的に構築できることを示す。
論文参考訳（メタデータ） (2022-06-21T12:16:45Z)
Convergence for score-based generative modeling with polynomial complexity [9.953088581242845]
我々は、Scoreベースの生成モデルの背後にあるコアメカニックに対する最初の収束保証を証明した。以前の作品と比較すると、時間的に指数関数的に増加するエラーや、次元の呪いに苦しむエラーは発生しない。予測器・相関器はどちらの部分のみを使用するよりも収束性が高いことを示す。
論文参考訳（メタデータ） (2022-06-13T14:57:35Z)
Probabilistic Registration for Gaussian Process 3D shape modelling in the presence of extensive missing data [63.8376359764052]
本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
論文参考訳（メタデータ） (2022-03-26T16:48:27Z)
Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
論文参考訳（メタデータ） (2021-02-08T20:08:50Z)
Revisiting the Sample Complexity of Sparse Spectrum Approximation of Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文参考訳（メタデータ） (2020-11-17T05:41:50Z)
Linear-time inference for Gaussian Processes on one dimension [17.77516394591124]
本研究では,その線形スケーリング計算コストから,状態空間モデルが人気である1次元のサンプルデータについて検討する。状態空間モデルは一般であり、任意の1次元ガウス過程を近似できるという予想の最初の一般的な証明を提供する。 LEGモデルで推論と学習を行う並列アルゴリズムを開発し、実データおよび合成データ上でアルゴリズムをテストし、数十億のサンプルを持つデータセットへのスケーリングを実証する。
論文参考訳（メタデータ） (2020-03-11T23:20:13Z)
Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。