論文の概要: Comparison of Data Reduction Criteria for Online Gaussian Processes

• arxiv url: http://arxiv.org/abs/2508.10815v1
• Date: Thu, 14 Aug 2025 16:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.412884
• Title: Comparison of Data Reduction Criteria for Online Gaussian Processes
• Title（参考訳）: オンラインガウス処理におけるデータ削減基準の比較
• Authors: Thore Wietzke, Knut Graichen,
• Abstract要約: ストリーミングのシナリオでは、Sparse GPに対しても、さらに多くのデータポイントが蓄積される。 オンラインGPは、データポイントの最大予算を定義し、冗長なデータポイントを削除することで、この問題を軽減することを目指している。 この研究は、いくつかの還元基準を統一的に比較し、計算複雑性と還元挙動の両方を解析する。
• 参考スコア（独自算出の注目度）: 1.4579344926652846
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gaussian Processes (GPs) are widely used for regression and system identification due to their flexibility and ability to quantify uncertainty. However, their computational complexity limits their applicability to small datasets. Moreover in a streaming scenario, more and more datapoints accumulate which is intractable even for Sparse GPs. Online GPs aim to alleviate this problem by e.g. defining a maximum budget of datapoints and removing redundant datapoints. This work provides a unified comparison of several reduction criteria, analyzing both their computational complexity and reduction behavior. The criteria are evaluated on benchmark functions and real-world datasets, including dynamic system identification tasks. Additionally, acceptance criteria are proposed to further filter out redundant datapoints. This work yields practical guidelines for choosing a suitable criterion for an online GP algorithm.
• Abstract（参考訳）: ガウス過程(GP)は、その柔軟性と不確実性を定量化する能力のため、回帰やシステム識別に広く用いられている。 しかし、その計算複雑性は、小さなデータセットに適用性を制限する。 さらにストリーミングのシナリオでは、Sparse GPに対しても、さらに多くのデータポイントが蓄積される。 オンラインGPは、例えば、データポイントの最大予算を定義し、冗長なデータポイントを削除することで、この問題を軽減することを目指している。 この研究は、いくつかの還元基準を統一的に比較し、計算複雑性と還元挙動の両方を解析する。 この基準は、動的システム識別タスクを含む、ベンチマーク関数と実世界のデータセットに基づいて評価される。 さらに、冗長なデータポイントをさらにフィルタリングするために、受け入れ基準が提案されている。 本研究は,オンラインGPアルゴリズムに適した基準を選択するための実践的ガイドラインを提供する。

関連論文リスト

• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• online and lightweight kernel-based approximated policy iteration for dynamic p-norm linear adaptive filtering [8.319127681936815]
  本稿では, 線形適応フィルタリングにおいて, 最適p-ノルムを動的(オンライン)に選択する問題の解を提案する。 提案するフレームワークはカーネルベース強化学習(KBRL)に基づいている。
  論文  参考訳（メタデータ） (2022-10-21T06:29:01Z)
• Revisiting Active Sets for Gaussian Process Decoders [0.0]
  我々は最近発見されたクロスバリデーションのリンクに基づいて,ログマージ可能性の新たな推定法を開発した。 結果の能動集合 (SAS) 近似がGPデコーダトレーニングの堅牢性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-09-10T10:49:31Z)
• 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)
• MuyGPs: Scalable Gaussian Process Hyperparameter Estimation Using Local Cross-Validation [1.2233362977312945]
  本稿では,新しいGPハイパーパラメータ推定法であるMuyGPを提案する。 MuyGPsは、データの最も近い隣人構造を利用する事前のメソッドの上に構築される。 提案手法は, 解法と予測値の平均二乗誤差の両方において, 既知の競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-29T18:10:21Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)

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。