論文の概要: Deep Random Features for Scalable Interpolation of Spatiotemporal Data

• arxiv url: http://arxiv.org/abs/2412.11350v1
• Date: Mon, 16 Dec 2024 00:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:20.602445
• Title: Deep Random Features for Scalable Interpolation of Spatiotemporal Data
• Title（参考訳）: 時空間データのスケーラブル補間のための深部ランダム特徴
• Authors: Weibin Chen, Azhir Mahmood, Michel Tsamados, So Takao,
• Abstract要約: 地球観測システムの急速な成長は、リモートセンシング観測を補間するためのスケーラブルなアプローチを要求する。 ガウス過程(GP)はスケーラブルな補間のための候補モデル選択である。 GPは通常、その表現性を制限する推論のための点の誘導に依存する。 深層GPはこの問題を克服することができ、トレーニングや推論は困難である。
• 参考スコア（独自算出の注目度）: 1.7785055672803547
• License:
• Abstract: The rapid growth of earth observation systems calls for a scalable approach to interpolate remote-sensing observations. These methods in principle, should acquire more information about the observed field as data grows. Gaussian processes (GPs) are candidate model choices for interpolation. However, due to their poor scalability, they usually rely on inducing points for inference, which restricts their expressivity. Moreover, commonly imposed assumptions such as stationarity prevents them from capturing complex patterns in the data. While deep GPs can overcome this issue, training and making inference with them are difficult, again requiring crude approximations via inducing points. In this work, we instead approach the problem through Bayesian deep learning, where spatiotemporal fields are represented by deep neural networks, whose layers share the inductive bias of stationary GPs on the plane/sphere via random feature expansions. This allows one to (1) capture high frequency patterns in the data, and (2) use mini-batched gradient descent for large scale training. We experiment on various remote sensing data at local/global scales, showing that our approach produce competitive or superior results to existing methods, with well-calibrated uncertainties.
• Abstract（参考訳）: 地球観測システムの急速な成長は、リモートセンシング観測を補間するためのスケーラブルなアプローチを要求する。 これらの方法は原則として、データが成長するにつれて観測対象に関するより多くの情報を取得する必要がある。 ガウス過程(GP)は補間のための候補モデル選択である。 しかしながら、スケーラビリティの低さのため、通常は推論のためのポイントの誘導に依存しており、表現性を制限する。 さらに、定常性のような一般的に課せられる仮定は、データ内の複雑なパターンをキャプチャすることを妨げる。 ディープGPはこの問題を克服できるが、トレーニングと推論は困難であり、再びポイントの誘導による粗い近似が必要となる。 この研究では,時空間場が深層ニューラルネットワークによって表現されるベイズ深層学習(Bayesian Deep Learning)によってこの問題にアプローチし,その層はランダムな特徴拡張を通じて平面/球面上の定常GPの帰納バイアスを共有する。 これにより、(1)データの高周波パターンをキャプチャし、(2)大規模トレーニングにミニバッチ勾配勾配を用いることができる。 ローカル/グローバルスケールの様々なリモートセンシングデータについて実験を行い,提案手法が既存の手法と競合する,あるいは優れた結果をもたらすことを示す。

関連論文リスト

• Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of High Dimensional Categorical Observations [0.0]
  本稿では,時間分布,疎度,高次元の分類学的観察の流れに対する新しいアプローチを提案する。 提案手法は,ストリーミングデータのグローバルな局所パターンを効率的に学習する。 より正確な予測を行うネットワークアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-02-23T14:52:05Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Deep Double Descent via Smooth Interpolation [2.141079906482723]
  我々は、各トレーニングポイントに局所的な入力変数に対する損失ランドスケープw.r.t.を研究することにより、トレーニングデータの適合性の鋭さを定量化する。 以上の結果から,入力空間における損失のシャープネスは,モデル・アンド・エポシカルな2重降下に追随することが明らかとなった。 小さな補間モデルはクリーンデータとノイズデータの両方に強く適合するが、大きな補間モデルは既存の直観とは対照的にスムーズなロスランドスケープを表現している。
  論文  参考訳（メタデータ） (2022-09-21T02:46:13Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Combining Pseudo-Point and State Space Approximations for Sum-Separable Gaussian Processes [48.64129867897491]
  我々は,擬似点法と状態空間GP近似フレームワークを組み合わせて両世界の長所を得る,シンプルでエレガントな方法が存在することを示す。 組み合わせたアプローチは、どちらの方法よりも拡張性が高く、時間的問題にも適用可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-18T16:30:09Z)
• Inter-domain Deep Gaussian Processes [45.28237107466283]
  ドメイン間および深いガウス過程(DGP)の利点を組み合わせたドメイン間浅層GPの拡張を提案する。 提案手法は,DGPのドメイン間特徴量を用いて,既存の近似推論手法を用いて,シンプルでスケーラブルな近似推論を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-11-01T04:03:35Z)
• Locally induced Gaussian processes for large-scale simulation experiments [0.0]
  本稿では,ポイントの配置とその多さを病理学的に抑制できることを示す。 提案手法は,グローバルなインジェクションポイントとデータサブセットに基づく局所GP近似をハイブリダイズする。 計算効率のフロンティアにおいて,局所誘導点がグローバルおよびデータサブセットの構成要素を拡張していることを示す。
  論文  参考訳（メタデータ） (2020-08-28T21:37:46Z)

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。