論文の概要: Sequential Estimation of Gaussian Process-based Deep State-Space Models

• arxiv url: http://arxiv.org/abs/2301.12528v2
• Date: Sat, 23 Mar 2024 22:57:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 04:08:18.534214
• Title: Sequential Estimation of Gaussian Process-based Deep State-Space Models
• Title（参考訳）: ガウス過程に基づく深部状態空間モデルの逐次推定
• Authors: Yuhao Liu, Marzieh Ajirak, Petar Djuric,
• Abstract要約: 状態空間モデルと深部状態空間モデルの未知点の逐次推定の問題を考える。 本稿では,ランダム特徴量に基づくガウス過程のパラメータを積分した粒子フィルタリング法を提案する。 提案手法は,潜伏過程をスケールと回転まで追跡できることを示す。
• 参考スコア（独自算出の注目度）: 1.760402297380953
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We consider the problem of sequential estimation of the unknowns of state-space and deep state-space models that include estimation of functions and latent processes of the models. The proposed approach relies on Gaussian and deep Gaussian processes that are implemented via random feature-based Gaussian processes. In these models, we have two sets of unknowns, highly nonlinear unknowns (the values of the latent processes) and conditionally linear unknowns (the constant parameters of the random feature-based Gaussian processes). We present a method based on particle filtering where the parameters of the random feature-based Gaussian processes are integrated out in obtaining the predictive density of the states and do not need particles. We also propose an ensemble version of the method, with each member of the ensemble having its own set of features. With several experiments, we show that the method can track the latent processes up to a scale and rotation.
• Abstract（参考訳）: 状態空間モデルと深部状態空間モデルの未知点を逐次推定する問題について考察する。 提案手法は、ランダムな特徴に基づくガウス過程によって実装されるガウス過程とディープガウス過程に依存する。 これらのモデルでは、2つの未知の集合、非常に非線形な未知(潜在過程の値)と条件線型な未知(ランダムな特徴に基づくガウス過程の定数パラメータ)を持つ。 本稿では,ランダムな特徴量に基づくガウス過程のパラメータを,粒子を必要とせず,状態の予測密度を得るために積分する粒子フィルタリング法を提案する。 また,本手法のアンサンブルバージョンを提案し,各アンサンブルメンバーに独自の特徴セットを付与する。 いくつかの実験により,提案手法は潜伏過程をスケールと回転まで追跡できることを示した。

関連論文リスト

• 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)
• Uncovering Regions of Maximum Dissimilarity on Random Process Data [0.0]
  本稿では,二つのプロセスの限界特性があまり似ていない領域について,あるボリュームの領域について学習する手法を提案する。 提案手法は,関心データ自体がプロセスであるような設定に対して,完全な汎用性で考案される。 我々は、犯罪学、金融学、医学のケーススタディでそれらの応用を紹介した。
  論文  参考訳（メタデータ） (2022-09-12T19:44:49Z)
• 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)
• Vector-valued Gaussian Processes on Riemannian Manifolds via Gauge Equivariant Projected Kernels [108.60991563944351]
  本稿では、ベクトル値のガウス過程を幾何学に忠実に誘導するゲージ同変カーネルの構築法を提案する。 我々は,変分推論などの標準ガウスプロセストレーニング手法を,この設定に拡張する。
  論文  参考訳（メタデータ） (2021-10-27T13:31:10Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• 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)
• Doubly Sparse Variational Gaussian Processes [14.209730729425502]
  我々は、状態空間モデルにはまだインジェクションポイントフレームワークが有効であり、さらなる計算とメモリの節約をもたらすことを示している。 この研究により、実験の1つで示されるように、深いガウス過程モデル内で状態空間の定式化が利用できるようになる。
  論文  参考訳（メタデータ） (2020-01-15T15:07:08Z)

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。