論文の概要: Theta-regularized Kriging: Modelling and Algorithms

• arxiv url: http://arxiv.org/abs/2604.14975v1
• Date: Thu, 16 Apr 2026 13:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.910076
• Title: Theta-regularized Kriging: Modelling and Algorithms
• Title（参考訳）: Theta-regularized Kriging: モデリングとアルゴリズム
• Authors: Xuelin Xie, Xiliang Lu,
• Abstract要約: ガウス過程においてテータをペナライズする正規化クリギングモデルを提案し,これをテータ正規化クリギング(Theta-regularized Kriging)と呼ぶ。 Lasso, Ridge, Elastic-net regularizationの3つの異なるペナルティ法が慎重に検討された。 その結果、他のペナル化Krigingモデルと比較して、精度と安定性の点で、提案モデルの方が優れた結果が得られた。
• 参考スコア（独自算出の注目度）: 3.886802201849415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To obtain more accurate model parameters and improve prediction accuracy, we proposed a regularized Kriging model that penalizes the hyperparameter theta in the Gaussian stochastic process, termed the Theta-regularized Kriging. We derived the optimization problem for this model from a maximum likelihood perspective. Additionally, we presented specific implementation details for the iterative process, including the regularized optimization algorithm and the geometric search cross-validation tuning algorithm. Three distinct penalty methods, Lasso, Ridge, and Elastic-net regularization, were meticulously considered. Meanwhile, the proposed Theta-regularized Kriging models were tested on nine common numerical functions and two practical engineering examples. The results demonstrate that, compared with other penalized Kriging models, the proposed model performs better in terms of accuracy and stability.
• Abstract（参考訳）: より正確なモデルパラメータを取得し,予測精度を向上させるために,正規化Krigingモデルを提案し,このKrigingは正規化Krigingと呼ばれるガウス確率過程におけるハイパーパラメータテータをペナル化する。 我々は,このモデルに対する最適化問題を最大極大視点から導出した。 さらに,正規化最適化アルゴリズムや幾何探索クロスバリデーションチューニングアルゴリズムなど,反復処理の具体的実装の詳細を述べる。 Lasso, Ridge, Elastic-net regularizationの3つの異なるペナルティ法が慎重に検討された。 一方,9つの共通数値関数と2つの実用的工学的例を用いて,テータ正規化クリギングモデルの有効性を検証した。 その結果、他のペナル化Krigingモデルと比較して、精度と安定性の点で、提案モデルの方が優れた結果が得られた。

関連論文リスト

• Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
  サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。 入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。 コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
  論文  参考訳（メタデータ） (2024-04-23T09:22:35Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• Active and sparse methods in smoothed model checking [2.28438857884398]
  スパース変分法とアクティブラーニングに基づくモデルチェックの平滑化の拡張について検討する。 スパース変分ガウス過程推論アルゴリズムのオンライン拡張は、スムーズなモデル検査のための能動的学習手法を実装するためのスケーラブルな方法を提供する。
  論文  参考訳（メタデータ） (2021-04-20T13:03:25Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
  また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。 これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-09-01T19:12:11Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)
• Uncertainty Modelling in Risk-averse Supply Chain Systems Using Multi-objective Pareto Optimization [0.0]
  サプライチェーンモデリングにおける困難なタスクの1つは、不規則な変動に対して堅牢なモデルを構築することである。 我々は、不確実性を扱うためのパレート最適化(Pareto Optimization)という新しい手法を導入し、これらの不確実性のエントロピーをアプリオリ仮定の下で明示的にモデル化することで拘束する。
  論文  参考訳（メタデータ） (2020-04-24T21:04:25Z)
• Gaussian Process Boosting [13.162429430481982]
  ガウス過程と混合効果モデルを組み合わせた新しい手法を提案する。 シミュレーションおよび実世界のデータセットに対する既存手法と比較して予測精度が向上する。
  論文  参考訳（メタデータ） (2020-04-06T13:19:54Z)

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。