論文の概要: Large-scale magnetic field maps using structured kernel interpolation
for Gaussian process regression
- arxiv url: http://arxiv.org/abs/2310.16574v1
- Date: Wed, 25 Oct 2023 11:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 15:02:34.373979
- Title: Large-scale magnetic field maps using structured kernel interpolation
for Gaussian process regression
- Title(参考訳): ガウス過程回帰のための構造化カーネル補間を用いた大規模磁場マップ
- Authors: Clara Menzen and Marnix Fetter and Manon Kok
- Abstract要約: そこで本研究では,屋内環境における大規模磁場マップを計算するためのマッピングアルゴリズムを提案する。
シミュレーションでは, マッピング面積が増大する磁場マップにおいて, 現在の最先端手法よりも精度がよいことを示す。
- 参考スコア(独自算出の注目度): 0.9208007322096532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a mapping algorithm to compute large-scale magnetic field maps in
indoor environments with approximate Gaussian process (GP) regression. Mapping
the spatial variations in the ambient magnetic field can be used for
localization algorithms in indoor areas. To compute such a map, GP regression
is a suitable tool because it provides predictions of the magnetic field at new
locations along with uncertainty quantification. Because full GP regression has
a complexity that grows cubically with the number of data points,
approximations for GPs have been extensively studied. In this paper, we build
on the structured kernel interpolation (SKI) framework, speeding up inference
by exploiting efficient Krylov subspace methods. More specifically, we
incorporate SKI with derivatives (D-SKI) into the scalar potential model for
magnetic field modeling and compute both predictive mean and covariance with a
complexity that is linear in the data points. In our simulations, we show that
our method achieves better accuracy than current state-of-the-art methods on
magnetic field maps with a growing mapping area. In our large-scale
experiments, we construct magnetic field maps from up to 40000
three-dimensional magnetic field measurements in less than two minutes on a
standard laptop.
- Abstract(参考訳): 近似ガウス過程(gp)回帰を用いた屋内環境における大規模磁場マップ計算のためのマッピングアルゴリズムを提案する。
環境磁場の空間変化のマッピングは、屋内領域における局所化アルゴリズムに使用できる。
そのような写像を計算するために、GP回帰は不確実な定量化とともに新しい場所での磁場の予測を提供するため、適切なツールである。
完全なGP回帰は、データポイントの数とともに立方的に増加する複雑さを持つため、GPの近似は広く研究されている。
本稿では,効率的なKrylov部分空間法を用いた推論を高速化する,構造化カーネル補間(SKI)フレームワークを構築した。
具体的には、SKIと導関数(D-SKI)を磁場モデリングのためのスカラーポテンシャルモデルに組み込み、データポイントに線形な複雑性を伴う予測平均と共分散を計算する。
シミュレーションでは, 拡大するマッピング領域を持つ磁場マップにおいて, 最先端の手法よりも精度が向上することを示す。
大規模な実験では、標準のラップトップ上で2分以内で最大40000個の3次元磁界計測から磁場マップを構築した。
関連論文リスト
- Bivariate DeepKriging for Large-scale Spatial Interpolation of Wind
Fields [2.494500339152185]
高空間分解能風速データは、気候、海洋学、気象学研究における幅広い応用に不可欠である。
2次元の速度を持つ二変量風場の大規模空間計算やダウンスケーリングは難しい課題である。
本稿では,空間的ラジアル基底関数によって構築された埋め込み層を持つ空間依存型ディープニューラルネットワーク(DNN)であるバイバリケートディープクリギングを提案する。
提案したDNNモデルの計算効率とスケーラビリティを,従来の手法に比べて平均20倍高速な計算で実証する。
論文 参考訳(メタデータ) (2023-07-16T13:34:44Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳(メタデータ) (2023-06-05T21:08:34Z) - Gaussian process regression and conditional Karhunen-Lo\'{e}ve models
for data assimilation in inverse problems [68.8204255655161]
偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。
CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
論文 参考訳(メタデータ) (2023-01-26T18:14:12Z) - Spatially scalable recursive estimation of Gaussian process terrain maps
using local basis functions [0.9208007322096532]
非線形地形のオンラインマッピングは、エージェントが以前にマッピングされた領域に戻るときの位置推定を改善するために使用できる。
GPマッピングアルゴリズムは、マッピングされた領域が拡大するにつれて、計算要求が増大している。
提案手法は,地図面積が大きい場合,既存の手法よりも高速であることを示す。
論文 参考訳(メタデータ) (2022-10-17T15:13:41Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳(メタデータ) (2022-06-28T12:43:38Z) - Magnetic Field Prediction Using Generative Adversarial Networks [0.0]
生成逆数ネットワーク(GAN)構造を用いて,空間のランダムな点における磁場の値を予測する。
ディープラーニング(DL)アーキテクチャは、与えられた磁場の欠落した磁場値を予測するジェネレータと、実際の磁場分布と生成された磁場分布の間の統計的距離を計算するために訓練された批評家の2つのニューラルネットワークで構成される。
訓練されたジェネレータは、フィールドポイントの1つのコヒーレント領域が欠落している場合の5.14%、空間における数点測定しか得られていない場合の5.86%の中央値再構成テスト誤差で、フィールド値の欠落を予測できることを学習した。
論文 参考訳(メタデータ) (2022-03-14T12:31:54Z) - Physics-Informed Machine Learning Method for Large-Scale Data
Assimilation Problems [48.7576911714538]
我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。
PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
論文 参考訳(メタデータ) (2021-07-30T18:43:14Z) - Gaussian Process Subspace Regression for Model Reduction [7.41244589428771]
部分空間値関数はパラメトリック・リダクション・オーダー・モデリング(PROM)を含む幅広い問題に現れる。
PROM では、各パラメータ点は、大きな系行列のペトロフ・ガレルキン射影に使用される部分空間に関連付けることができる。
本稿では,サブスペース予測のための新しいベイズ非モデルとして,ガウス過程部分空間回帰(GPS)モデルを提案する。
論文 参考訳(メタデータ) (2021-07-09T20:41:23Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - 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。