論文の概要: Robust and Conjugate Spatio-Temporal Gaussian Processes
- arxiv url: http://arxiv.org/abs/2502.02450v1
- Date: Tue, 04 Feb 2025 16:16:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:57:26.589575
- Title: Robust and Conjugate Spatio-Temporal Gaussian Processes
- Title(参考訳): 時空間ガウス過程のロバストと共役
- Authors: William Laplante, Matias Altamirano, Andrew Duncan, Jeremias Knoblauch, François-Xavier Briol,
- Abstract要約: 我々はAltamirano al et alの堅牢RCGPフレームワークを適応し、特殊化する。
我々は、古典的時間的GPに匹敵する計算コストで、アンロバスト時間的GPを得る。
本手法は,金融・気象分野において広く研究されている。
- 参考スコア(独自算出の注目度): 7.0029761533393495
- License:
- Abstract: State-space formulations allow for Gaussian process (GP) regression with linear-in-time computational cost in spatio-temporal settings, but performance typically suffers in the presence of outliers. In this paper, we adapt and specialise the robust and conjugate GP (RCGP) framework of Altamirano et al. (2024) to the spatio-temporal setting. In doing so, we obtain an outlier-robust spatio-temporal GP with a computational cost comparable to classical spatio-temporal GPs. We also overcome the three main drawbacks of RCGPs: their unreliable performance when the prior mean is chosen poorly, their lack of reliable uncertainty quantification, and the need to carefully select a hyperparameter by hand. We study our method extensively in finance and weather forecasting applications, demonstrating that it provides a reliable approach to spatio-temporal modelling in the presence of outliers.
- Abstract(参考訳): 状態空間の定式化は時空間設定における線形時間計算コストを伴うガウス過程(GP)の回帰を可能にするが、通常、性能は外れ値の存在によって損なわれる。
本稿では,Altamirano et al (2024) の頑健で共役な GP (RCGP) フレームワークを時空間設定に適応させ,特殊化する。
そこで我々は,古典的時空間GPに匹敵する計算コストで,外乱時空間GPを得る。
また、RCGPの3つの主な欠点を克服し、先行平均が不確かである場合の信頼性の低い性能、信頼できない不確実な定量化の欠如、手動でハイパーパラメータを慎重に選択する必要性を克服する。
本手法はファイナンスや天気予報の分野で広く研究されており, オフレーラの存在下での時空間モデリングに信頼性の高いアプローチを提供することを示す。
関連論文リスト
- Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
ガウス過程 (GP) はフレキシブルな非線形回帰法である。
これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。
これは外挿または弱い重なり合いの条件下では特に有用である。
論文 参考訳(メタデータ) (2024-07-15T05:09:50Z) - Robust and Conjugate Gaussian Process Regression [6.417777780911224]
一般化されたベイズ推定を用いて,ガウス過程 (RCGP) の回帰をほぼ何のコストもかからず,頑健かつ共役的に行う方法を示す。
RCGPは、標準GPがそれを認めるすべての設定において、正確な共役クローズドフォーム更新を可能にするため、特に汎用性がある。
論文 参考訳(メタデータ) (2023-11-01T11:57:43Z) - Optimal Stopping with Gaussian Processes [2.126171264016785]
金融時系列でよく見られる構造特性は、ガウス過程とディープガウス過程のモデルを使用することが可能であることを示す。
さらに、最適停止解析により価格モデルを伝播することにより、値関数の不確実性を定量化する。
我々のアルゴリズム群は3つの歴史的時系列データセットのベンチマークよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-09-22T21:19:27Z) - Robust and Adaptive Temporal-Difference Learning Using An Ensemble of
Gaussian Processes [70.80716221080118]
本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。
OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。
1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
論文 参考訳(メタデータ) (2021-12-01T23:15:09Z) - 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) - 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) - A general sample complexity analysis of vanilla policy gradient [101.16957584135767]
政策勾配(PG)は、最も一般的な強化学習(RL)問題の1つである。
PG軌道の「バニラ」理論的理解は、RL問題を解く最も一般的な方法の1つである。
論文 参考訳(メタデータ) (2021-07-23T19:38:17Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - Uncertainty quantification using martingales for misspecified Gaussian
processes [52.22233158357913]
本稿では,ガウス過程(GP)の不確定な定量化を,不特定先行条件下で解決する。
マルティンゲール法を用いて未知関数に対する信頼シーケンス(CS)を構築する。
我々のCSは統計的に有効であり、実証的に標準GP法より優れています。
論文 参考訳(メタデータ) (2020-06-12T17:58:59Z) - Sequential Gaussian Processes for Online Learning of Nonstationary
Functions [9.997259201098602]
連続モンテカルロアルゴリズムは,オンラインの分散推論を可能としながら,非定常挙動を捉えたGPの無限混合に適合する。
提案手法は,時系列データにおける非定常性の存在下でのオンラインGP推定における最先端手法の性能を実証的に改善する。
論文 参考訳(メタデータ) (2019-05-24T02:29:49Z)
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。