論文の概要: Fast Gaussian Process Approximations for Autocorrelated Data
- arxiv url: http://arxiv.org/abs/2512.02925v1
- Date: Tue, 02 Dec 2025 16:46:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.970579
- Title: Fast Gaussian Process Approximations for Autocorrelated Data
- Title（参考訳）: 自己相関データに対する高速ガウス過程近似
- Authors: Ahmadreza Chokhachian, Matthias Katzfuss, Yu Ding,
- Abstract要約: 本稿では,自動相関データに基づいて学習したガウス過程モデルの計算速度向上に関する問題点について述べる。
提案手法は,モデル予測性能を損なうことなく,自動相関データに対するガウス過程回帰の計算を著しく高速化することができる。
- 参考スコア（独自算出の注目度）: 5.614320553305912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is concerned with the problem of how to speed up computation for Gaussian process models trained on autocorrelated data. The Gaussian process model is a powerful tool commonly used in nonlinear regression applications. Standard regression modeling assumes random samples and an independently, identically distributed noise. Various fast approximations that speed up Gaussian process regression work under this standard setting. But for autocorrelated data, failing to account for autocorrelation leads to a phenomenon known as temporal overfitting that deteriorates model performance on new test instances. To handle autocorrelated data, existing fast Gaussian process approximations have to be modified; one such approach is to segment the originally correlated data points into blocks in which the blocked data are de-correlated. This work explains how to make some of the existing Gaussian process approximations work with blocked data. Numerical experiments across diverse application datasets demonstrate that the proposed approaches can remarkably accelerate computation for Gaussian process regression on autocorrelated data without compromising model prediction performance.
- Abstract（参考訳）: 本稿では,自動相関データに基づいて学習したガウス過程モデルの計算速度向上に関する問題点について述べる。
ガウス過程モデル(英: Gaussian process model)は、非線形回帰法で一般的に用いられる強力なツールである。
標準回帰モデリングは、ランダムサンプルと独立に同じ分散ノイズを仮定する。
この標準設定の下でガウス過程の回帰作業を高速化する様々な高速近似。
しかし、オートコリレーション(autocorrelation)データでは、オートコリレーション(autocorrelation)を説明できないため、時間的オーバーフィッティング(temporal overfitting)と呼ばれる現象が発生し、新しいテストインスタンスのモデルパフォーマンスが低下する。
自動相関データを扱うためには、既存の高速ガウス過程近似を修正する必要がある。
この研究は、既存のガウスのプロセス近似の一部をブロックされたデータで動作させる方法を説明する。
多様なアプリケーションデータセットの数値実験により,提案手法はモデル予測性能を損なうことなく,自動相関データに対するガウス過程回帰の計算を著しく高速化できることを示した。
関連論文リスト
- Shortening the Trajectories: Identity-Aware Gaussian Approximation for Efficient 3D Molecular Generation [2.631060597686179]
確率的生成モデル(GPGM)は、ガウス雑音でサンプルを破損させる過程を逆転することでデータを生成する。
これらのモデルは様々な領域にまたがって最先端のパフォーマンスを達成しているが、その実際の展開は高い計算コストに制約されている。
我々は,学習の粒度や推論の忠実さを犠牲にすることなく,生成効率を向上させる理論的基礎と実証的検証フレームワークを導入する。
論文 参考訳（メタデータ） (2025-07-11T21:39:32Z) - Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。
提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文 参考訳（メタデータ） (2024-02-27T15:08:57Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Splitting Gaussian Process Regression for Streaming Data [1.2691047660244335]
入力空間を逐次分割し,各領域に局所化ガウス過程を適用するアルゴリズムを提案する。
このアルゴリズムは既存の手法よりも時間と空間の複雑さが優れていることが示されており、そのシーケンシャルな性質により、ストリーミングデータに応用できる。
我々の知る限りでは、このモデルは線形メモリ複雑性を実現するための最初の局所ガウス過程回帰モデルである。
論文 参考訳（メタデータ） (2020-10-06T01:37:13Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳（メタデータ） (2020-06-16T18:43:31Z)
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。