論文の概要: Deep Intrinsic Coregionalization Multi-Output Gaussian Process Surrogate with Active Learning
- arxiv url: http://arxiv.org/abs/2508.16434v1
- Date: Fri, 22 Aug 2025 14:46:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.417794
- Title: Deep Intrinsic Coregionalization Multi-Output Gaussian Process Surrogate with Active Learning
- Title（参考訳）: 積極的学習を伴う多出力ガウス過程の深部内在的コリージョン化
- Authors: Chun-Yi Chang, Chih-Li Sung,
- Abstract要約: 本稿では,複数の出力を含む計算機シミュレーション実験のために,Deep Intrinsic Co Regionalalization Multi-Output Gaussian Process (deepICMGP)サロゲートを提案する。
我々は、最先端のモデルに対してDeepICMGPをベンチマークし、その競争性能を実証した。
我々は、DeepICMGPにアクティブな学習戦略を組み込んで、シーケンシャルな設計タスクを最適化し、マルチ出力システムにおける情報入力位置を効率的に選択する能力を向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Gaussian Processes (DGPs) are powerful surrogate models known for their flexibility and ability to capture complex functions. However, extending them to multi-output settings remains challenging due to the need for efficient dependency modeling. We propose the Deep Intrinsic Coregionalization Multi-Output Gaussian Process (deepICMGP) surrogate for computer simulation experiments involving multiple outputs, which extends the Intrinsic Coregionalization Model (ICM) by introducing hierarchical coregionalization structures across layers. This enables deepICMGP to effectively model nonlinear and structured dependencies between multiple outputs, addressing key limitations of traditional multi-output GPs. We benchmark deepICMGP against state-of-the-art models, demonstrating its competitive performance. Furthermore, we incorporate active learning strategies into deepICMGP to optimize sequential design tasks, enhancing its ability to efficiently select informative input locations for multi-output systems.
- Abstract（参考訳）: ディープガウス過程(Deep Gaussian Processs、DGP)は、その柔軟性と複雑な関数をキャプチャする能力で知られている強力な代理モデルである。
しかし、効率的な依存関係モデリングを必要とするため、それらをマルチアウトプット設定に拡張することは依然として困難である。
本稿では,複数の出力を含む計算機シミュレーション実験において,階層的コリージョン化構造を導入し,ICMを拡張したDeep Intrinsic Co Regionalalization Multi-Output Gaussian Process (deepICMGP) を提案する。
これにより、ディープICMGPは複数の出力間の非線形および構造的依存関係を効果的にモデル化し、従来のマルチ出力GPの重要な制限に対処することができる。
我々は、最先端のモデルに対してDeepICMGPをベンチマークし、その競争性能を実証した。
さらに,DeepICMGPに能動的学習戦略を組み込んで逐次設計タスクを最適化し,多出力システムにおける情報入力位置を効率的に選択する能力を向上させる。
関連論文リスト
- Graft: Integrating the Domain Knowledge via Efficient Parameter Synergy for MLLMs [56.76586846269894]
MLLM(Multimodal Large Language Models)は、様々な領域で成功している。
その重要性にもかかわらず、ドメイン固有のMLLM間の知識共有の研究はほとんど未調査のままである。
専門家機能のモジュール構成を可能にする統一パラメータ統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-30T15:07:41Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Towards Efficient Modeling and Inference in Multi-Dimensional Gaussian
Process State-Space Models [11.13664702335756]
我々は,高次元潜在状態空間における遷移関数を効率的にモデル化するために,効率的な変換ガウス過程(ETGP)をGPSSMに統合することを提案する。
また,パラメータ数および計算複雑性の観点から,既存の手法を超越した変分推論アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-09-03T04:34:33Z) - A Sparse Expansion For Deep Gaussian Processes [33.29293167413832]
ガウス過程(TMGP)に基づいた高精度な推論と効率的なトレーニングのための効率的なスキームを提案する。
合成モデルと実データセットに関する数値実験により、既存のDGPモデルよりもDTMGPの計算効率が優れていることを示した。
論文 参考訳（メタデータ） (2021-12-11T00:59:33Z) - Scalable Multi-Task Gaussian Processes with Neural Embedding of
Coregionalization [9.873139480223367]
マルチタスク回帰は,タスク間の知識伝達を実現するために,タスク類似性を活用しようとする。
コリージョン化の線形モデル(英: linear model of co Regionalalization, LMC)は、複数の独立かつ多様なGPの線形結合によってタスクの依存性を利用する、よく知られたMTGPパラダイムである。
我々は,潜伏GPを高次元の潜伏空間に変換するコリージョン化のニューラル埋め込みを開発し,リッチだが多様な振る舞いを誘導する。
論文 参考訳（メタデータ） (2021-09-20T01:28:14Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z)
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。