Fugu-MT 論文翻訳(概要): Combining additivity and active subspaces for high-dimensional Gaussian process modeling

論文の概要: Combining additivity and active subspaces for high-dimensional Gaussian process modeling

arxiv url: http://arxiv.org/abs/2402.03809v1
Date: Tue, 6 Feb 2024 08:49:27 GMT
ステータス: 処理完了
システム内更新日: 2024-02-07 15:41:06.431598
Title: Combining additivity and active subspaces for high-dimensional Gaussian process modeling
Title（参考訳）: 高次元ガウス過程モデリングのための加法性と活性部分空間の組み合わせ
Authors: Mickael Binois (ACUMES), Victor Picheny
Abstract要約: 本稿では,高次元ガウス過程モデリングと多面性戦略を組み合わせる方法について述べる。高次元ガウス過程モデリングへの我々の貢献は、これらを多面的戦略と組み合わせ、合成関数やデータセットの実験を通じて利点を示すことである。
参考スコア（独自算出の注目度）: 2.7140711924836816
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gaussian processes are a widely embraced technique for regression and classification due to their good prediction accuracy, analytical tractability and built-in capabilities for uncertainty quantification. However, they suffer from the curse of dimensionality whenever the number of variables increases. This challenge is generally addressed by assuming additional structure in theproblem, the preferred options being either additivity or low intrinsic dimensionality. Our contribution for high-dimensional Gaussian process modeling is to combine them with a multi-fidelity strategy, showcasing the advantages through experiments on synthetic functions and datasets.
Abstract（参考訳）: ガウス過程は、予測精度、分析的トラクタビリティ、不確実性定量化のための内蔵能力のために、回帰と分類のための広く受け入れられた手法である。しかし、変数の数が増えるたびに次元の呪いに悩まされる。この課題は一般に、問題に付加的な構造を仮定することで解決され、望ましい選択肢は加法性または低固有次元である。高次元ガウス過程モデリングへの我々の貢献は、これらを多面的戦略と組み合わせ、合成関数やデータセットの実験を通じて利点を示すことである。

関連論文リスト

Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文参考訳（メタデータ） (2024-05-01T15:59:00Z)
Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文参考訳（メタデータ） (2023-10-30T21:27:53Z)
Implicit Manifold Gaussian Process Regression [49.0787777751317]
ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
論文参考訳（メタデータ） (2023-10-30T09:52:48Z)
Multi-Response Heteroscedastic Gaussian Process Models and Their Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文参考訳（メタデータ） (2023-08-29T15:06:47Z)
Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文参考訳（メタデータ） (2023-02-14T23:50:53Z)
Random Sampling High Dimensional Model Representation Gaussian Process Regression (RS-HDMR-GPR) for representing multidimensional functions with machine-learned lower-dimensional terms allowing insight with a general method [0.0]
RS-HDMR-GPR(Random Smpling High-dimensional Model Representation Gaussian Process Regression)のためのPython実装コードにより、変数の欠落した値を計算し、HDMR項の有用な数を大幅に減らすことができる。この回帰ツールの能力は、合成分析機能、水分子のポテンシャルエネルギー表面、物質の運動エネルギー密度、金融市場データを含む試験ケースで実証される。
論文参考訳（メタデータ） (2020-11-24T00:12:05Z)
Factorized Gaussian Process Variational Autoencoders [6.866104126509981]
変分オートエンコーダは、しばしば等方的ガウス先行と平均体後部を仮定するので、潜在変数間の類似性や一貫性を期待するシナリオでは構造を利用できない。多くのデータセットに存在する補助的特徴の独立性を活用することにより、これらのモデルのよりスケーラブルな拡張を提案する。
論文参考訳（メタデータ） (2020-11-14T10:24:10Z)
Multi-fidelity data fusion for the approximation of scalar functions with low intrinsic dimensionality through active subspaces [0.0]
アクティブな部分空間を含む多面的アプローチを提案し、それを2つの異なる高次元ベンチマークでテストする。本研究では,アクティブな部分空間を含む多元性アプローチを提案し,これを2つの異なる高次元ベンチマークで検証する。
論文参考訳（メタデータ） (2020-10-16T12:35:49Z)
Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。分散による離散乗法雑音のパラメータによく現れることを示す。最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文参考訳（メタデータ） (2020-06-11T09:58:01Z)
Projection Pursuit Gaussian Process Regression [5.837881923712394]
コンピュータ実験の第一の目的は、分散評価によってコンピュータコードによって与えられる機能を再構築することである。従来の等方的ガウス過程モデルは、限られたデータポイントに対して入力次元が比較的高いとき、次元の呪いに悩まされる。非パラメトリック部分は加法ガウス過程の回帰によって駆動される射影追従モデルを考える。
論文参考訳（メタデータ） (2020-04-01T19:12:01Z)
Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。