論文の概要: Wiener Chaos in Kernel Regression: Towards Untangling Aleatoric and
Epistemic Uncertainty
- arxiv url: http://arxiv.org/abs/2312.07387v1
- Date: Tue, 12 Dec 2023 16:02:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 15:26:59.294895
- Title: Wiener Chaos in Kernel Regression: Towards Untangling Aleatoric and
Epistemic Uncertainty
- Title(参考訳): カーネル回帰におけるウィナーカオス : 失語症とてんかんの不確かさの解消に向けて
- Authors: T. Faulwasser, O. Molodchyk
- Abstract要約: 非ガウス計測雑音によるカーネルリッジの回帰について検討する。
数値的な例としてシステムを考えると、我々の手法はヒルベルトとアレタリックの不確実性の影響を解き放つことができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian Processes (GPs) are a versatile method that enables different
approaches towards learning for dynamics and control. Gaussianity assumptions
appear in two dimensions in GPs: The positive semi-definite kernel of the
underlying reproducing kernel Hilbert space is used to construct the
co-variance of a Gaussian distribution over functions, while measurement noise
(i.e. data corruption) is usually modeled as i.i.d. additive Gaussian. In this
note, we relax the latter Gaussianity assumption, i.e., we consider kernel
ridge regression with additive i.i.d. non-Gaussian measurement noise. To apply
the usual kernel trick, we rely on the representation of the uncertainty via
polynomial chaos expansions, which are series expansions for random variables
of finite variance introduced by Norbert Wiener. We derive and discuss the
analytic $\mathcal{L}^2$ solution to the arising Wiener kernel regression.
Considering a polynomial system as numerical example, we show that our approach
allows to untangle the effects of epistemic and aleatoric uncertainties.
- Abstract(参考訳): ガウス過程(英: Gaussian Processes, GP)は、動的および制御の学習への様々なアプローチを可能にする汎用的な手法である。
基礎となる再生核ヒルベルト空間の正の半定値核は、関数上のガウス分布の共分散を構成するのに使われ、測定ノイズ(すなわちデータ破損)は通常、i.i.d.加法ガウス空間としてモデル化される。
本稿では,後者のガウス性仮定を緩和する。すなわち,非ガウス性測定ノイズを付加した核リッジ回帰を考える。
通常のカーネルトリックを適用するために、ノルベルト・ウィーナーが導入した有限分散の確率変数の列展開である多項式カオス展開による不確実性の表現に依存する。
我々は解析的$\mathcal{l}^2$解をウィナー核回帰(英語版)から導出し、議論する。
数値的な例として多項式系を考えると,本手法はてんかんおよび失語症の影響を解き放つことができる。
関連論文リスト
- Generalization in Kernel Regression Under Realistic Assumptions [41.345620270267446]
共通カーネルや任意の正規化、ノイズ、任意の入力次元、サンプル数に対して厳密な境界を提供する。
以上の結果から,高入力次元における過剰適合,固定次元におけるほぼ誘電過剰適合,正規化回帰に対する明示的な収束率が示唆された。
副産物として、カーネルシステムで訓練されたニューラルネットワークの時間依存境界を得る。
論文 参考訳(メタデータ) (2023-12-26T10:55:20Z) - 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) - Causal Modeling with Stationary Diffusions [58.4405484308163]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - Page curves and typical entanglement in linear optics [0.0]
ランダムな線形光ユニタリにより進化した一組の圧縮モード内での絡み合いについて検討する。
我々はR'enyi-2エントロピーで測定されたエンタングルメントの典型性について様々な結果を示す。
我々の主目的は、平均とエントロピーの分散によって従う対称性特性を利用して、ユニタリ平均化を劇的に単純化する。
論文 参考訳(メタデータ) (2022-09-14T18:00:03Z) - Kullback-Leibler and Renyi divergences in reproducing kernel Hilbert
space and Gaussian process settings [0.0]
正規化Kullback-LeiblerとR'enyiの発散をAlpha Log-Det(Log-Det)発散により定式化する。
特徴的核について、最初の設定は、完全可分な距離空間上の任意のボレル確率測度の間の分岐をもたらす。
我々は、Alpha Log-Detの発散がヒルベルト-シュミットノルムにおいて連続であることを示し、ヒルベルト空間値の確率変数に対して大数の法則を適用することができる。
論文 参考訳(メタデータ) (2022-07-18T06:40:46Z) - 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) - The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。
本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
論文 参考訳(メタデータ) (2022-02-11T15:59:01Z) - 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) - On Linear Stochastic Approximation: Fine-grained Polyak-Ruppert and
Non-Asymptotic Concentration [115.1954841020189]
The inequality and non-asymptotic properties of approximation procedure with Polyak-Ruppert averaging。
一定のステップサイズと無限大となる反復数を持つ平均的反復数に対する中心極限定理(CLT)を証明する。
論文 参考訳(メタデータ) (2020-04-09T17:54:18Z) - 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。