論文の概要: Sequential Inference for Gaussian Processes: A Signal Processing Perspective

• arxiv url: http://arxiv.org/abs/2604.28163v1
• Date: Thu, 30 Apr 2026 17:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.23674
• Title: Sequential Inference for Gaussian Processes: A Signal Processing Perspective
• Title（参考訳）: ガウス過程の逐次推論:信号処理の観点から
• Authors: Daniel Waxman, Fernando Llorente, Petar M. Djurić,
• Abstract要約: ガウス過程(英: Gaussian process、GP)は、ランダム関数をモデル化するためのフレキシブルだが原則化されたフレームワークである。 我々はGPの自己完結型チュートリアルスタイルの概要を提供し、近年の逐次的、漸進的、あるいはストリーミング推論の方法論的進歩に焦点を当てている。 我々が調査した多くの研究は、状態空間モデリング、逐次回帰と予測、時系列における異常検出、逐次ベイズ最適化、適応およびアクティブセンシング、シーケンシャル検出と意思決定に直接応用されている。
• 参考スコア（独自算出の注目度）: 45.00250014235801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of capable and efficient machine learning (ML) models marks one of the strongest methodological shifts in signal processing (SP) in its nearly 100-year history. ML models support the development of SP systems that represent complex, nonlinear relationships with high predictive accuracy. Adapting these models often requires sequential inference, which differs both theoretically and methodologically from the usual paradigm of ML, where data are often assumed independent and identically distributed. Gaussian processes (GPs) are a flexible yet principled framework for modeling random functions, and they have become increasingly relevant to SP as statistical and ML methods assume a more prominent role. We provide a self-contained, tutorial-style overview of GPs, with a particular focus on recent methodological advances in sequential, incremental, or streaming inference. We introduce these techniques from a signal-processing perspective while bridging them to recent advances in ML. Many of the developments we survey have direct applications to state-space modeling, sequential regression and forecasting, anomaly detection in time series, sequential Bayesian optimization, adaptive and active sensing, and sequential detection and decision-making. By organizing these advances from a signal-processing perspective, we intend to equip practitioners with practical tools and a coherent roadmap for deploying sequential GP models in real-world systems.
• Abstract（参考訳）: 有能で効率的な機械学習(ML)モデルの普及は、その100年近くの歴史において、信号処理(SP)における最も強力な方法論シフトの1つとなっている。 MLモデルは、予測精度の高い複雑な非線形関係を表すSPシステムの開発を支援する。 これらのモデルに適応するには、しばしばシーケンシャルな推論を必要とするが、これは理論上も方法論上もMLの通常のパラダイムとは異なっている。 ガウス過程(GP)は、ランダム関数をモデル化するための柔軟だが原則化されたフレームワークであり、統計学やMLの手法がより顕著な役割を担っているため、SPと関係がますます高まっている。 我々はGPの自己完結型チュートリアルスタイルの概要を提供し、近年の逐次的、漸進的、あるいはストリーミング推論の方法論的進歩に焦点を当てている。 我々はこれらの手法を信号処理の観点から紹介し、近年のMLの進歩に貢献する。 我々が調査した多くの研究は、状態空間モデリング、逐次回帰と予測、時系列における異常検出、逐次ベイズ最適化、適応およびアクティブセンシング、シーケンシャル検出と意思決定に直接応用されている。 これらの進歩を信号処理の観点から整理することにより、実践者に実用的なツールと、実世界のシステムにシーケンシャルGPモデルをデプロイするための一貫性のあるロードマップを提供する。

関連論文リスト

• Simulation-based inference via telescoping ratio estimation for trawl processes [0.0]
  本稿では,高速で高精度なMarkovベースの推論フレームワークを提案する。 チェビシェフ近似を用いて独立な後続サンプルを効率よく生成し,連鎖モンテカルロ法が混在しても正確な推論を可能にする。 エネルギー需要データに適用した柔軟な無限分割可能なモデルのクラスであるトロールプロセスにおいて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-05T05:26:46Z)
• Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
  ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。 現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。 本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:17:24Z)
• Polynomial Chaos Expanded Gaussian Process [2.287415292857564]
  複雑で未知のプロセスでは、大域モデルは最初実験空間全体にわたって生成されるが、しばしば局所的に正確な予測が得られない。 一般的なアプローチは、実験空間と複数のモデルのトレーニングを必要とするローカルモデルを使用することで、かなりの複雑さを増す。 本研究では,グローバルな実験空間とローカルな実験空間の両方を効果的に表現するモデルの必要性に対処する。
  論文  参考訳（メタデータ） (2024-05-02T07:11:05Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• PAC Reinforcement Learning for Predictive State Representations [60.00237613646686]
  部分的に観察可能な力学系におけるオンライン強化学習(RL)について検討する。 我々は、他のよく知られたモデルをキャプチャする表現モデルである予測状態表現(PSR)モデルに焦点を当てる。 我々は,サンプル複雑性のスケーリングにおいて,ほぼ最適なポリシを学習可能な,PSRのための新しいモデルベースアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-12T17:57:17Z)
• Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach [1.6242924916178285]
  本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。 提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
  論文  参考訳（メタデータ） (2020-07-17T06:03:32Z)
• Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: A New Insight into Machine Learning Applications [14.164058812512371]
  本研究では,古典的トラフィックフローモデルを機械学習アーキテクチャにエンコードする,物理正規化機械学習(PRML)という新しいモデリングフレームワークを提案する。 提案手法の有効性を実証するため,ユタ州I-15高速道路から収集した実世界のデータセットについて実験的検討を行った。
  論文  参考訳（メタデータ） (2020-02-06T17:22:20Z)

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。