論文の概要: Whom to Trust? Elective Learning for Distributed Gaussian Process
Regression
- arxiv url: http://arxiv.org/abs/2402.03014v1
- Date: Mon, 5 Feb 2024 13:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 15:57:24.650042
- Title: Whom to Trust? Elective Learning for Distributed Gaussian Process
Regression
- Title(参考訳): 誰を信用する?
分散ガウス過程回帰のための選別学習
- Authors: Zewen Yang, Xiaobing Dai, Akshat Dubey, Sandra Hirche, Georges Hattab
- Abstract要約: 我々は、選択学習アルゴリズム、すなわち、事前認識された選択分散GP(Pri-GP)を開発する。
Pri-GPは、その信頼性に基づいて、近隣のエージェントから予測を選択的に要求する能力を持つエージェントに権限を与える。
プリGPフレームワーク内に予測誤差を確立し,予測の信頼性を確保する。
- 参考スコア(独自算出の注目度): 3.5208783730894972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces an innovative approach to enhance distributed
cooperative learning using Gaussian process (GP) regression in multi-agent
systems (MASs). The key contribution of this work is the development of an
elective learning algorithm, namely prior-aware elective distributed GP
(Pri-GP), which empowers agents with the capability to selectively request
predictions from neighboring agents based on their trustworthiness. The
proposed Pri-GP effectively improves individual prediction accuracy, especially
in cases where the prior knowledge of an agent is incorrect. Moreover, it
eliminates the need for computationally intensive variance calculations for
determining aggregation weights in distributed GP. Furthermore, we establish a
prediction error bound within the Pri-GP framework, ensuring the reliability of
predictions, which is regarded as a crucial property in safety-critical MAS
applications.
- Abstract(参考訳): 本稿では,マルチエージェントシステム(MAS)におけるガウス過程(GP)回帰を用いた分散協調学習の革新的手法を提案する。
この研究の重要な貢献は、選択学習アルゴリズム(Pri-GP)の開発である。これは、エージェントに、その信頼性に基づいて、近隣エージェントから予測を選択的に要求する能力を与える。
提案したPri-GPは,エージェントの事前知識が誤りである場合に,個人の予測精度を効果的に向上させる。
さらに、分散gpにおける凝集重みを決定するために計算集約分散計算を不要とする。
さらに、Pri-GPフレームワーク内での予測誤差を確立し、安全クリティカルなMASアプリケーションにおいて重要な特性である予測の信頼性を確保する。
関連論文リスト
- Online scalable Gaussian processes with conformal prediction for guaranteed coverage [32.21093722162573]
結果として生じる不確実な値の整合性は、学習関数がGPモデルで指定された特性に従うという前提に基づいている。
提案するGPは,分散のない後処理フレームワークである共形予測(CP)を用いて,有意なカバレッジで予測セットを生成する。
論文 参考訳(メタデータ) (2024-10-07T19:22:15Z) - Aggregation Models with Optimal Weights for Distributed Gaussian Processes [6.408773096179187]
本稿では,分散GPにおける集約予測のための新しい手法を提案する。
提案手法は, 専門家間の相関関係を取り入れ, 管理可能な計算条件で予測精度を向上する。
実証的な研究によって実証されたように、提案手法は、最先端の一貫した集約モデルよりも少ない時間でより安定した予測をもたらす。
論文 参考訳(メタデータ) (2024-08-01T23:32:14Z) - Guaranteed Coverage Prediction Intervals with Gaussian Process Regression [0.6993026261767287]
本稿では,CP(Conformal Prediction)と呼ばれる機械学習フレームワークに基づくGPRの拡張を提案する。
この拡張により、モデルを完全に不特定であっても、必要なカバレッジでPIの生成が保証される。
論文 参考訳(メタデータ) (2023-10-24T08:59:40Z) - Distributionally Robust Machine Learning with Multi-source Data [6.383451076043423]
対象分布のクラスに対する説明分散に関する逆報酬を最適化するために,群分布に頑健な予測モデルを導入する。
従来の経験的リスク最小化と比較して,提案した頑健な予測モデルでは,分布シフトを伴う対象集団の予測精度が向上する。
ランダムな森林とニューラルネットワークをベースラーニングアルゴリズムとして用いたシミュレーションおよび実データに対して,提案したグループ分散ロバストな手法の性能を示す。
論文 参考訳(メタデータ) (2023-09-05T13:19:40Z) - Conformal Prediction for Federated Uncertainty Quantification Under
Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。
我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文 参考訳(メタデータ) (2023-06-08T11:54:58Z) - Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。
我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
論文 参考訳(メタデータ) (2022-07-20T14:41:09Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳(メタデータ) (2021-10-13T15:11:25Z) - Gaussian Processes to speed up MCMC with automatic
exploratory-exploitation effect [1.0742675209112622]
確率モデルをサンプリングするための2段階のメトロポリス・ハスティングスアルゴリズムを提案する。
このアプローチの主な特徴は、サンプリング中にターゲットの分布をスクラッチから学習する能力である。
論文 参考訳(メタデータ) (2021-09-28T17:43:25Z) - Predicting Deep Neural Network Generalization with Perturbation Response
Curves [58.8755389068888]
トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。
具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。
PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
論文 参考訳(メタデータ) (2021-06-09T01:37:36Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。