Fugu-MT 論文翻訳(概要): Distributed Uncertainty Quantification of Kernel Interpolation on Spheres

論文の概要: Distributed Uncertainty Quantification of Kernel Interpolation on Spheres

arxiv url: http://arxiv.org/abs/2310.16384v1
Date: Wed, 25 Oct 2023 05:52:02 GMT
ステータス: 処理完了
システム内更新日: 2023-10-26 16:25:17.570042
Title: Distributed Uncertainty Quantification of Kernel Interpolation on Spheres
Title（参考訳）: 球面上の核補間の分散不確かさの定量化
Authors: Shao-Bo Lin, Xingping Sun, Di Wang
Abstract要約: 本研究では,非無視等級の雑音的球面データを補間することにより,不確実性の管理と定量化を行う分散手法を提案する。また,本手法は,難解な計算環境からのノイズデータを扱う上で,実用的で堅牢であることを示す数値シミュレーション結果も提示する。
参考スコア（独自算出の注目度）: 19.031504622134772
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: For radial basis function (RBF) kernel interpolation of scattered data, Schaback in 1995 proved that the attainable approximation error and the condition number of the underlying interpolation matrix cannot be made small simultaneously. He referred to this finding as an "uncertainty relation", an undesirable consequence of which is that RBF kernel interpolation is susceptible to noisy data. In this paper, we propose and study a distributed interpolation method to manage and quantify the uncertainty brought on by interpolating noisy spherical data of non-negligible magnitude. We also present numerical simulation results showing that our method is practical and robust in terms of handling noisy data from challenging computing environments.
Abstract（参考訳）: 散乱データの放射基底関数(RBF)カーネル補間については、1995年にシャバックは達成可能な近似誤差と基底補間行列の条件番号を同時に小さくすることはできないことを示した。彼はこの発見を「不確実性関係」("uncertainty relation")と呼び、RBFカーネルの補間がノイズデータの影響を受けやすいと結論付けた。本稿では,非無視等級の雑音球面データを補間することにより生じる不確実性を管理し,定量化する分散補間法を提案する。また,本手法は,難解な計算環境からのノイズデータを扱う上で,実用的で堅牢であることを示す数値シミュレーション結果も提示する。

関連論文リスト

Efficient Trajectory Inference in Wasserstein Space Using Consecutive Averaging [3.8623569699070353]
軌道推論は、そのような観測から連続的な過程を再構築する挑戦を扱う。ワッサーシュタイン空間に直交する連続平均化による点雲のB-スプライン近似法を提案する。コンバージェンス保証を提供し、シミュレーションセルデータ上でテストすることで、我々の手法を厳格に評価する。
論文参考訳（メタデータ） (2024-05-30T04:19:20Z)
Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文参考訳（メタデータ） (2023-11-09T23:32:06Z)
Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文参考訳（メタデータ） (2022-12-06T12:42:11Z)
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)
Nonparametric learning of kernels in nonlocal operators [6.314604944530131]
非局所作用素におけるカーネル学習のための厳密な識別可能性解析および収束研究を提供する。本稿では,新しいデータ適応型RKHS Tikhonov正規化手法を用いた非パラメトリック回帰アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-23T02:47:55Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文参考訳（メタデータ） (2021-06-07T10:14:18Z)
On the Role of Entropy-based Loss for Learning Causal Structures with Continuous Optimization [27.613220411996025]
因果構造学習問題を最小二乗損失を用いた連続最適化問題として定式化する。ガウス雑音の仮定に違反すると因果方向の同定が妨げられることを示す。より一般的なエントロピーに基づく損失は、任意の雑音分布下での確率スコアと理論的に一致している。
論文参考訳（メタデータ） (2021-06-05T08:29:51Z)
Spatially relaxed inference on high-dimensional linear models [48.989769153211995]
本研究では,空間的に制約されたクラスタリング,統計的推論,アンサンブルを組み合わせ,複数のクラスタリング推論解を集約するアンサンブルクラスタリング推論アルゴリズムの特性について検討する。アンサンブルクラスタ推論アルゴリズムは,最大クラスター径に等しい$delta$-FWERの標準仮定で$delta$-FWERを制御することを示す。
論文参考訳（メタデータ） (2021-06-04T16:37:19Z)
Tensor Laplacian Regularized Low-Rank Representation for Non-uniformly Distributed Data Subspace Clustering [2.578242050187029]
低ランク表現(LRR)は、サブスペースクラスタリングにおけるデータポイントの局所性情報を破棄する。本稿では,隣接ノードの変動数を容易にし,データの局所性情報を組み込むハイパーグラフモデルを提案する。人工および実データを用いた実験により,提案手法の精度と精度が向上した。
論文参考訳（メタデータ） (2021-03-06T08:22:24Z)

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。