論文の概要: Bayesian Optimization through Gaussian Cox Process Models for Spatio-temporal Data

• arxiv url: http://arxiv.org/abs/2401.14544v1
• Date: Thu, 25 Jan 2024 22:26:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 16:25:57.723108
• Title: Bayesian Optimization through Gaussian Cox Process Models for Spatio-temporal Data
• Title（参考訳）: 時空間データに対するガウスコックス過程モデルによるベイズ最適化
• Authors: Yongsheng Mei, Mahdi Imani, Tian Lan
• Abstract要約: 本稿ではガウスコックス過程の後方推定を新たに提案する。 さらに、効率的な計算のためのNystr"om近似を開発した。
• 参考スコア（独自算出の注目度）: 27.922624489449017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimization (BO) has established itself as a leading strategy for efficiently optimizing expensive-to-evaluate functions. Existing BO methods mostly rely on Gaussian process (GP) surrogate models and are not applicable to (doubly-stochastic) Gaussian Cox processes, where the observation process is modulated by a latent intensity function modeled as a GP. In this paper, we propose a novel maximum a posteriori inference of Gaussian Cox processes. It leverages the Laplace approximation and change of kernel technique to transform the problem into a new reproducing kernel Hilbert space, where it becomes more tractable computationally. It enables us to obtain both a functional posterior of the latent intensity function and the covariance of the posterior, thus extending existing works that often focus on specific link functions or estimating the posterior mean. Using the result, we propose a BO framework based on the Gaussian Cox process model and further develop a Nystr\"om approximation for efficient computation. Extensive evaluations on various synthetic and real-world datasets demonstrate significant improvement over state-of-the-art inference solutions for Gaussian Cox processes, as well as effective BO with a wide range of acquisition functions designed through the underlying Gaussian Cox process model.
• Abstract（参考訳）: ベイズ最適化 (bayesian optimization, bo) は、費用対評価関数を効率的に最適化するための主要な戦略である。 既存のbo法は主にガウス過程(gp)サロゲートモデルに依存しており、観測過程がgpとしてモデル化された潜在強度関数によって変調されるガウスコックス法には適用できない。 本稿では,ガウスコックス過程の後方推定法を新たに提案する。 これはラプラス近似とカーネル技法の変化を利用して問題を新しい再生核ヒルベルト空間に変換し、計算的により扱いやすいものにする。 これにより, 潜在強度関数の機能的後方と後方の共分散の両方を得ることができ, 特定のリンク関数に注目したり, 後方平均を推定する既存の作業を拡張することができる。 本研究では,gaussian cox プロセスモデルに基づく bo フレームワークを提案し,効率的な計算のための nystr\"om 近似をさらに開発する。 様々な合成および実世界のデータセットに対する広範囲な評価は、ガウスコックスプロセスの最先端推論ソリューションや、基礎となるガウスコックスプロセスモデルによって設計された幅広い獲得関数を持つ有効なBOよりも大幅に改善されている。

関連論文リスト

• Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
  バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。 我々はこれらの不変カーネルの最大情報ゲインを導出する。 核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
  論文  参考訳（メタデータ） (2024-10-22T12:51:46Z)
• Exact Bayesian Gaussian Cox Processes Using Random Integral [0.0]
  インテンシティ関数の後方推測は、二重インタラクタブルインテリジェンス(英語版)が二重インタラクタブルインテリジェンス(英語版)をもたらす可能性がある。 本研究では, 不均一なポアソン過程の強度関数を, 大容量データ増大や近似に依存することなく推定する非パラメトリックベイズアプローチを提案する。 我々は,時間的・空間的な事象データや,複数の解像度で収集した時系列データを含む実世界の3つのシナリオにおいて,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2024-06-28T08:11:33Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
  ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。 新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
  論文  参考訳（メタデータ） (2024-01-30T14:16:06Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• Extrinsic Bayesian Optimizations on Manifolds [1.3477333339913569]
  オイクリッド多様体上の一般最適化問題に対する外部ベイズ最適化(eBO)フレームワークを提案する。 我々のアプローチは、まず多様体を高次元空間に埋め込むことによって、外部ガウス過程を採用することである。 これにより、複素多様体上の最適化のための効率的でスケーラブルなアルゴリズムが導かれる。
  論文  参考訳（メタデータ） (2022-12-21T06:10:12Z)
• 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)
• 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)
• Directed particle swarm optimization with Gaussian-process-based function forecasting [15.733136147164032]
  パーティクルスワム最適化 (PSO) は、探索空間を囲む一組の候補解を、ランダム化されたステップ長を持つ最もよく知られたグローバルおよびローカルな解へ移動させる反復探索法である。 本アルゴリズムは探索的・搾取的行動に対して望ましい特性が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-08T13:02:57Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。