論文の概要: A Global-Local Approximation Framework for Large-Scale Gaussian Process Modeling

• arxiv url: http://arxiv.org/abs/2305.10158v1
• Date: Wed, 17 May 2023 12:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 16:07:05.617609
• Title: A Global-Local Approximation Framework for Large-Scale Gaussian Process Modeling
• Title（参考訳）: 大規模ガウス過程モデリングのためのグローバルローカル近似フレームワーク
• Authors: Akhil Vakayil and Roshan Joseph
• Abstract要約: 本稿では,大規模ガウス過程(GP)モデリングのための新しいフレームワークを提案する。 近似構築にグローバルなアプローチを併用する。 TwinGPと呼ぶ我々のフレームワークの性能は、最先端のGPモデリング手法と同等かそれ以上である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we propose a novel framework for large-scale Gaussian process (GP) modeling. Contrary to the global, and local approximations proposed in the literature to address the computational bottleneck with exact GP modeling, we employ a combined global-local approach in building the approximation. Our framework uses a subset-of-data approach where the subset is a union of a set of global points designed to capture the global trend in the data, and a set of local points specific to a given testing location to capture the local trend around the testing location. The correlation function is also modeled as a combination of a global, and a local kernel. The performance of our framework, which we refer to as TwinGP, is on par or better than the state-of-the-art GP modeling methods at a fraction of their computational cost.
• Abstract（参考訳）: 本研究では,大規模ガウス過程(GP)モデリングのための新しいフレームワークを提案する。 GPモデリングによる計算ボトルネックに対処するために文献で提案されているグローバルな局所近似とは対照的に,近似の構築にはグローバルなアプローチが併用されている。 我々のフレームワークは、データ内のグローバルなトレンドを捉えるために設計されたグローバルなポイントの集合と、テスト場所に関するローカルなトレンドをキャプチャするために、所定のテストロケーションに特有のローカルなポイントの集合を結合したデータサブセットアプローチを使用する。 相関関数は、グローバルカーネルとローカルカーネルの組み合わせとしてもモデル化される。 TwinGPと呼ぶ我々のフレームワークの性能は、その計算コストのごく一部で最先端のGPモデリング手法と同等かそれ以上である。

関連論文リスト

• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• FedSoup: Improving Generalization and Personalization in Federated Learning via Selective Model Interpolation [32.36334319329364]
  クロスサイロフェデレーション学習(FL)は、データセンタに分散したデータセット上での機械学習モデルの開発を可能にする。 近年の研究では、現在のFLアルゴリズムは、分布シフトに直面した場合、局所的な性能とグローバルな性能のトレードオフに直面している。 地域とグローバルのパフォーマンスのトレードオフを最適化する新しいフェデレーションモデルスープ手法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T00:07:29Z)
• $\texttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)
• Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
  提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。 私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
  論文  参考訳（メタデータ） (2021-07-28T03:46:57Z)
• Combined Global and Local Search for Optimization with Gaussian Process Models [1.1602089225841632]
  本稿では,最適化フレームワークにAdditive Global and Local GP(AGLGP)モデルを導入する。 AGLGPは誘導点に基づくGPスパース近似に根ざしており、異なる領域の独立局所モデルと組み合わせられている。 まず、設計空間全体を非結合な局所領域に分割し、グローバルモデルで有望な領域を特定する。 次に、この領域内の詳細な探索をガイドするために、選択された領域の局所モデルが適合する。 アルゴリズムは、よい局所解が見つかると、グローバルステップに切り替える。
  論文  参考訳（メタデータ） (2021-07-07T13:40:37Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Inter-domain Deep Gaussian Processes [45.28237107466283]
  ドメイン間および深いガウス過程(DGP)の利点を組み合わせたドメイン間浅層GPの拡張を提案する。 提案手法は,DGPのドメイン間特徴量を用いて,既存の近似推論手法を用いて,シンプルでスケーラブルな近似推論を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-11-01T04:03:35Z)
• 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)

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。