論文の概要: Robust, Online, and Adaptive Decentralized Gaussian Processes

• arxiv url: http://arxiv.org/abs/2509.18011v1
• Date: Mon, 22 Sep 2025 16:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.516088
• Title: Robust, Online, and Adaptive Decentralized Gaussian Processes
• Title（参考訳）: Robust, Online, and Adaptive Decentralized Gaussian Processs
• Authors: Fernando Llorente, Daniel Waxman, Sanket Jantre, Nathan M. Urban, Susan E. Minkoff,
• Abstract要約: 分散ランダムフーリエ機能ガウシアンプロセス(DRFGP)は、GPを情報フィルタ形式でキャストするオンライン分散アルゴリズムである。 DRFGPを2つの重要な方向に沿って拡張する。第1に、非定型的な観察の影響を下げるロバストフィルタの更新を導入し、第2に、時間変化関数に適応する動的適応機構を組み込むことにより、DRFGPを拡張する。 我々は,大規模な地球システムアプリケーションにおいて,その有効性を実証し,その可能性について検討した。
• 参考スコア（独自算出の注目度）: 40.250871864353314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian processes (GPs) offer a flexible, uncertainty-aware framework for modeling complex signals, but scale cubically with data, assume static targets, and are brittle to outliers, limiting their applicability in large-scale problems with dynamic and noisy environments. Recent work introduced decentralized random Fourier feature Gaussian processes (DRFGP), an online and distributed algorithm that casts GPs in an information-filter form, enabling exact sequential inference and fully distributed computation without reliance on a fusion center. In this paper, we extend DRFGP along two key directions: first, by introducing a robust-filtering update that downweights the impact of atypical observations; and second, by incorporating a dynamic adaptation mechanism that adapts to time-varying functions. The resulting algorithm retains the recursive information-filter structure while enhancing stability and accuracy. We demonstrate its effectiveness on a large-scale Earth system application, underscoring its potential for in-situ modeling.
• Abstract（参考訳）: ガウス過程(GP)は、複雑な信号をモデリングするための柔軟で不確実性に配慮したフレームワークを提供するが、データで立方体にスケールし、静的なターゲットを仮定し、外れ値に脆く、動的でノイズの多い環境での大規模問題における適用性を制限する。 近年の分散ランダムフーリエ機能ガウシアンプロセス (DRFGP) は、GPを情報フィルタ形式でキャストし、融合中心に依存することなく正確な逐次推論と完全分散計算を可能にするオンラインおよび分散アルゴリズムである。 本稿では、DRFGPを2つの重要な方向に沿って拡張する: 1つは、非定型的な観測の影響を下げるロバストフィルタの更新を導入し、もう1つは、時間変化関数に適応する動的適応機構を組み込むことにより、DRFGPを拡張する。 得られたアルゴリズムは、安定性と精度を向上しつつ、再帰的な情報フィルタ構造を保持する。 我々は,大規模な地球システムアプリケーションにおいて,その有効性を実証し,その可能性について検討した。

関連論文リスト

• 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)
• Recursive Gaussian Process State Space Model [9.626897250334155]
  動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。 ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。 合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
  論文  参考訳（メタデータ） (2024-11-22T02:22:59Z)
• Real-Time Adaptive Safety-Critical Control with Gaussian Processes in High-Order Uncertain Models [14.790031018404942]
  本稿では,不確実なパラメータを持つシステムを対象とした適応型オンライン学習フレームワークを提案する。 まず,差分スパースGPアルゴリズムを改良するために,まず忘れ係数を積分する。 第2フェーズでは,高次制御バリア関数に基づく安全フィルタを提案する。
  論文  参考訳（メタデータ） (2024-02-29T08:25:32Z)
• 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)

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。