論文の概要: Gaussian Process regression over discrete probability measures: on the
non-stationarity relation between Euclidean and Wasserstein Squared
Exponential Kernels
- arxiv url: http://arxiv.org/abs/2212.01310v1
- Date: Fri, 2 Dec 2022 17:09:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 16:14:20.470656
- Title: Gaussian Process regression over discrete probability measures: on the
non-stationarity relation between Euclidean and Wasserstein Squared
Exponential Kernels
- Title(参考訳): 離散確率測度上のガウス過程の回帰:ユークリッドとワッサースタイン二乗指数核の非定常関係について
- Authors: Antonio Candelieri, Andrea Ponti, Francesco Archetti
- Abstract要約: ワッサーシュタイン型2乗指数核とユークリッド型指数核の非定常性関係について検討した。
入力空間をユークリッドとして非定常およびワッサーシュタインに基づくガウス過程モデルに変換するために変換が用いられる。
- 参考スコア(独自算出の注目度): 0.19116784879310028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian Process regression is a kernel method successfully adopted in many
real-life applications. Recently, there is a growing interest on extending this
method to non-Euclidean input spaces, like the one considered in this paper,
consisting of probability measures. Although a Positive Definite kernel can be
defined by using a suitable distance -- the Wasserstein distance -- the common
procedure for learning the Gaussian Process model can fail due to numerical
issues, arising earlier and more frequently than in the case of an Euclidean
input space and, as demonstrated in this paper, that cannot be avoided by
adding artificial noise (nugget effect) as usually done. This paper uncovers
the main reason of these issues, that is a non-stationarity relationship
between the Wasserstein-based squared exponential kernel and its
Euclidean-based counterpart. As a relevant result, the Gaussian Process model
is learned by assuming the input space as Euclidean and then an algebraic
transformation, based on the uncovered relation, is used to transform it into a
non-stationary and Wasserstein-based Gaussian Process model over probability
measures. This algebraic transformation is simpler than log-exp maps used in
the case of data belonging to Riemannian manifolds and recently extended to
consider the pseudo-Riemannian structure of an input space equipped with the
Wasserstein distance.
- Abstract(参考訳): ガウス過程回帰(gaussian process regression)は、多くの現実の応用でうまく適用されたカーネル法である。
近年、この手法を確率測度からなる非ユークリッド入力空間に拡張することへの関心が高まっている。
適切な距離 -- ワッサースタイン距離 -- を用いて正定値カーネルを定義することができるが、ガウス過程モデルを学習するための一般的な手順は、ユークリッド入力空間の場合よりも早く頻繁に発生する数値的問題によって失敗する可能性があり、本論文で示されるように、通常のように人工的なノイズ(ナゲット効果)を加えることで回避できない。
本稿では、ワッサーシュタイン型二乗指数核とユークリッド型指数核の非定常性関係であるこれらの問題の主な原因を明らかにする。
関連する結果として、ガウス過程モデル(英語版)は入力空間をユークリッドと仮定して学習され、その後、発見された関係に基づく代数変換を用いて確率測度よりも非定常かつワッサーシュタインに基づくガウス過程モデルに変換する。
この代数変換はリーマン多様体に属するデータの場合の対数展開写像よりも単純であり、最近ワッサーシュタイン距離を持つ入力空間の擬リーマン構造を考えるために拡張された。
関連論文リスト
- Deep Horseshoe Gaussian Processes [1.0742675209112622]
直交指数核を持つディープ・ガウス過程に基づく新しい単純前処理であるディープ・ホースシュー・ガウス過程(Deep Horseshoe Gaussian process)を紹介する。
本研究は、2次損失から対数係数まで、未知の真の回帰曲線を最適に復元することを示す。
論文 参考訳(メタデータ) (2024-03-04T05:30:43Z) - Gaussian Process Regression under Computational and Epistemic
Misspecification [5.393695255603843]
大規模データアプリケーションでは、カーネルの低ランクあるいはスパース近似を用いて計算コストを削減できる。
本稿では,そのようなカーネル近似が要素誤差に与える影響について検討する。
論文 参考訳(メタデータ) (2023-12-14T18:53:32Z) - Posterior Contraction Rates for Mat\'ern Gaussian Processes on
Riemannian Manifolds [51.68005047958965]
我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。
我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
論文 参考訳(メタデータ) (2023-09-19T20:30:58Z) - 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) - Stationary Kernels and Gaussian Processes on Lie Groups and their
Homogeneous Spaces II: non-compact symmetric spaces [63.79710443490585]
対称性は、考慮できる事前情報の最も基本的な形態の1つである。
本研究では,非ユークリッド空間の非常に大きなクラス上に定常ガウス過程を構築するための構築的および実践的手法を開発する。
論文 参考訳(メタデータ) (2023-01-30T17:27:12Z) - Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
ガウスのプロセスはデータセットのサイズとともに違法にスケールする。
多くの近似法が開発されており、必然的に近似誤差を導入している。
この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。
本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
論文 参考訳(メタデータ) (2022-05-30T22:16:25Z) - 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) - A Kernel-Based Approach for Modelling Gaussian Processes with Functional
Information [0.0]
ガウス過程モデルを用いて、典型的有限ケースを可算情報の場合と統一する。
数値的な考察や概念実証を含む統計モデルでこの構成について論じる。
論文 参考訳(メタデータ) (2022-01-26T15:58:08Z) - Consistent Online Gaussian Process Regression Without the Sample
Complexity Bottleneck [14.309243378538012]
本稿では,現在の後方中心のHellingerメトリックに対して,エラー近傍を修正可能なオンライン圧縮方式を提案する。
一定の誤差半径の場合、POG は集団後部の近傍 (Theorem 1(ii)) に収束するが、特徴空間の計量エントロピーによって決定される有限メモリのオン・ウォーストに収束する。
論文 参考訳(メタデータ) (2020-04-23T11:52:06Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳(メタデータ) (2020-03-05T14:33:20Z)
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。