Fugu-MT 論文翻訳(概要): Theoretical Analysis of Heteroscedastic Gaussian Processes with Posterior Distributions

論文の概要: Theoretical Analysis of Heteroscedastic Gaussian Processes with Posterior Distributions

arxiv url: http://arxiv.org/abs/2409.12622v1
Date: Thu, 19 Sep 2024 09:51:46 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 14:08:12.870802
Title: Theoretical Analysis of Heteroscedastic Gaussian Processes with Posterior Distributions
Title（参考訳）: 後部分布を有するヘテロセダスティックガウス過程の理論解析
Authors: Yuji Ito,
Abstract要約: 本研究ではヘテロセダスティックガウス過程(HGP)を解析するための新しい理論的枠組みを紹介する。後部分布の正確な方法、分散、累積分布を導出する。得られた理論的知見は、確率制約付きトラッキングコントローラに適用される。
参考スコア（独自算出の注目度）: 0.4895118383237099
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study introduces a novel theoretical framework for analyzing heteroscedastic Gaussian processes (HGPs) that identify unknown systems in a data-driven manner. Although HGPs effectively address the heteroscedasticity of noise in complex training datasets, calculating the exact posterior distributions of the HGPs is challenging, as these distributions are no longer multivariate normal. This study derives the exact means, variances, and cumulative distributions of the posterior distributions. Furthermore, the derived theoretical findings are applied to a chance-constrained tracking controller. After an HGP identifies an unknown disturbance in a plant system, the controller can handle chance constraints regarding the system despite the presence of the disturbance.
Abstract（参考訳）: 本研究では、未知のシステムをデータ駆動方式で識別するヘテロセダスティックガウス過程(HGP)を解析するための新しい理論的枠組みを提案する。 HGPは複雑な訓練データセットにおけるノイズの不均一性に効果的に対処するが、これらの分布はもはや多変量正規ではないため、HGPの正確な後部分布を計算することは困難である。本研究は, 後方分布の正確な方法, ばらつき, 累積分布を導出する。さらに、推定された理論的知見を、確率制約付きトラッキングコントローラに適用する。 HGPがプラントシステム内の未知の障害を特定した後、制御器は障害の有無に関わらず、システムに関するチャンス制約を処理できる。

関連論文リスト

Scalable Variational Causal Discovery Unconstrained by Acyclicity [6.954510776782872]
観測データから得られた因果グラフ上の後部分布を学習するために,スケーラブルなベイズ的手法を提案する。有効な非巡回因果グラフを生成することができる新しい微分可能なDAGサンプリング手法を提案する。連続領域上の単純な変分分布を用いて因果グラフ上の後部分布をモデル化することができる。
論文参考訳（メタデータ） (2024-07-06T07:56:23Z)
Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
論文参考訳（メタデータ） (2024-02-01T14:39:59Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
Investigating Shifts in GAN Output-Distributions [5.076419064097734]
本稿では,実学習データとGAN生成データの分布の可観測的変化を系統的に調査するためのループ学習手法を提案する。全体として、これらの手法を組み合わせることで、現在のGANアルゴリズムの自然的制限を爆発的に調査することができる。
論文参考訳（メタデータ） (2021-12-28T09:16:55Z)
Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2021-10-26T10:45:25Z)
Wasserstein-Splitting Gaussian Process Regression for Heterogeneous Online Bayesian Inference [9.7471390457395]
我々は,オンライン予測伝搬ステップと連動して動作するGPの変動自由エネルギー近似を用いる。後続分布が大きく変化するたびに新しいGPをインスタンス化する局所分割ステップを導入する。時間の経過とともに、これは徐々に更新されるかもしれないスパースGPのアンサンブルをもたらす。
論文参考訳（メタデータ） (2021-07-26T17:52:46Z)
Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文参考訳（メタデータ） (2021-06-15T17:45:51Z)
Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文参考訳（メタデータ） (2021-02-12T18:08:14Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Modulating Scalable Gaussian Processes for Expressive Statistical Learning [25.356503463916816]
ガウス過程(GP)は、入力と出力の間の統計的関係を学ぶことに興味がある。本稿では,非定常ヘテロセダスティックGP,GPと潜在GPの混合を含む,スケーラブルなGPパラダイムについて検討し,よりリッチでガウス的でない統計表現を学習するために,出力や入力を変調する潜在変数を導入する。
論文参考訳（メタデータ） (2020-08-29T06:41:45Z)

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。