論文の概要: HiGP: A high-performance Python package for Gaussian Process

• arxiv url: http://arxiv.org/abs/2503.02259v1
• Date: Tue, 04 Mar 2025 04:17:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:16:25.014647
• Title: HiGP: A high-performance Python package for Gaussian Process
• Title（参考訳）: HiGP: ガウスプロセス用の高性能Pythonパッケージ
• Authors: Hua Huang, Tianshi Xu, Yuanzhe Xi, Edmond Chow,
• Abstract要約: HiGPは、効率的なガウスプロセス回帰(GPR)と分類(GPC)のために設計された高性能Pythonパッケージである。 マトリクスベクター (MatVec) とマトリクス (MatMul) の乗算戦略を実装しており、カーネル行列に特化している。 ユーザフレンドリなPythonインターフェースにより、HiGPはPyTorchや他のPythonパッケージとシームレスに統合され、既存の機械学習とデータ分析に簡単に組み込むことができる。
• 参考スコア（独自算出の注目度）: 13.127443064937735
• License:
• Abstract: Gaussian Processes (GPs) are flexible, nonparametric Bayesian models widely used for regression and classification tasks due to their ability to capture complex data patterns and provide uncertainty quantification (UQ). Traditional GP implementations often face challenges in scalability and computational efficiency, especially with large datasets. To address these challenges, HiGP, a high-performance Python package, is designed for efficient Gaussian Process regression (GPR) and classification (GPC) across datasets of varying sizes. HiGP combines multiple new iterative methods to enhance the performance and efficiency of GP computations. It implements various effective matrix-vector (MatVec) and matrix-matrix (MatMul) multiplication strategies specifically tailored for kernel matrices. To improve the convergence of iterative methods, HiGP also integrates the recently developed Adaptive Factorized Nystrom (AFN) preconditioner and employs precise formulas for computing the gradients. With a user-friendly Python interface, HiGP seamlessly integrates with PyTorch and other Python packages, allowing easy incorporation into existing machine learning and data analysis workflows.
• Abstract（参考訳）: ガウス過程(GP)は、複雑なデータパターンをキャプチャし、不確実な定量化(UQ)を提供する能力により、回帰および分類タスクに広く使用されるフレキシブルで非パラメトリックベイズモデルである。 従来のGP実装はスケーラビリティと計算効率の課題に直面することが多い。 これらの課題に対処するため、ハイパフォーマンスなPythonパッケージであるHiGPは、さまざまなサイズのデータセットをまたいだ効率的なガウスプロセス回帰(GPR)と分類(GPC)のために設計されている。 HiGPは、GP計算の性能と効率を高めるために、複数の新しい反復法を組み合わせる。 マトリクスベクター (MatVec) とマトリクス (MatMul) の乗算戦略を実装しており、カーネル行列に特化している。 反復法の収束性を改善するため、HiGPは最近開発された適応因子ナイストロム(AFN)プリコンディショナーを統合し、勾配の計算に正確な公式を用いる。 ユーザフレンドリなPythonインターフェースにより、HiGPはPyTorchや他のPythonパッケージとシームレスに統合され、既存の機械学習およびデータ分析ワークフローへの容易に組み込むことができる。

関連論文リスト

• EvoGP: A GPU-accelerated Framework for Tree-based Genetic Programming [8.571010338499422]
  木に基づく遺伝的プログラミング(TGP)は、記号回帰、特徴工学、科学モデリングにおいて広く用いられている進化的アルゴリズムである。 これらの課題に対処するために、包括的なGPUアクセラレーションTGPフレームワークであるEvoGPを紹介する。 EvoGPは最先端のTGP実装よりも最大140.89倍の高速化を実現していることを示す。
  論文  参考訳（メタデータ） (2025-01-21T07:42:54Z)
• A Kronecker product accelerated efficient sparse Gaussian Process (E-SGP) for flow emulation [2.563626165548781]
  本稿では,流体力学の代理モデリングのための効率的なスパースガウス法(E-SGP)を提案する。 これは、効率的なGP(E-GP)と変動エネルギーのないガウス過程(VEF-SGP)の概念を組み合わせた近似スパースGPアルゴリズムのさらなる発展である。
  論文  参考訳（メタデータ） (2023-12-13T11:29:40Z)
• GP+: A Python Library for Kernel-based learning via Gaussian Processes [0.0]
  ガウス過程(GP)を通したカーネルベースの学習用オープンソースライブラリGP+を紹介する。 GP+はPyTorch上に構築されており、確率的学習と推論のためのユーザフレンドリでオブジェクト指向のツールを提供する。
  論文  参考訳（メタデータ） (2023-12-12T19:39:40Z)
• Actually Sparse Variational Gaussian Processes [20.71289963037696]
  コンパクトに支持されたB-スプライン基底関数の集合にGPを投影することによって構築されたドメイン間変分GPの新しいクラスを提案する。 これにより、高速変動空間現象を数万の誘導変数で非常に効率的にモデル化することができる。
  論文  参考訳（メタデータ） (2023-04-11T09:38:58Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• 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)
• Accelerating Genetic Programming using GPUs [0.0]
  遺伝的プログラミング(GP)は、曲線フィッティング、データモデリング、特徴選択、分類など、機械学習に複数の応用がある。 本稿では,代用GPアルゴリズムのGPUアクセラレーションスタックに基づく変種について述べる。
  論文  参考訳（メタデータ） (2021-10-15T06:13:01Z)
• 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)
• MOGPTK: The Multi-Output Gaussian Process Toolkit [71.08576457371433]
  ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。 このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
  論文  参考訳（メタデータ） (2020-02-09T23:34:49Z)

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。