論文の概要: Scalable Gaussian process inference via neural feature maps

• arxiv url: http://arxiv.org/abs/2605.10285v1
• Date: Mon, 11 May 2026 09:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.704811
• Title: Scalable Gaussian process inference via neural feature maps
• Title（参考訳）: ニューラル特徴写像によるスケーラブルガウス過程推論
• Authors: Anthony Stephenson,
• Abstract要約: 学習した特徴写像はインプリッドRKHSから導出されるグラム行列に対する最適低ランク近似として解釈できることを示す。 オーバースムーシングに対処するための製品機能マップカーネルを導入します。 この単純で強力なアプローチは、最小の事前作業で高速でスケーラブルで正確なGP推論を可能にする。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present a theoretically grounded Gaussian process framework that leverages neural feature maps to construct expressive kernels. We show that the learned feature map can be interpreted as an optimal low-rank approximation to a Gram matrix derived from an implied RKHS, from which we establish consistency of the GP posterior. We further analyse the spectral properties of the induced kernels and introduce product feature-map kernels to address oversmoothing. This simple yet powerful approach enables fast, scalable, and accurate exact GP inference with minimal upfront work. The flexibility of kernel design supports seamless application to both regression and classification tasks across diverse data modalities, including tabular inputs and structured domains such as images. On benchmark datasets, this approach surpasses pre-existing methods in terms of accuracy and training and prediction efficiency.
• Abstract（参考訳）: 本稿では,ニューラルネットワークを用いた表現型カーネル構築のためのガウス的プロセスフレームワークを提案する。 学習した特徴写像はインプリッドRKHSから導出されるグラム行列に対する最適低ランク近似として解釈でき、GP後方の整合性を確立する。 さらに、誘導されたカーネルのスペクトル特性を分析し、オーバースムーシングに対処するための製品特徴マップカーネルを導入する。 この単純で強力なアプローチは、最小の事前作業で高速でスケーラブルで正確なGP推論を可能にする。 カーネル設計の柔軟性は、グラフ入力や画像などの構造化ドメインを含む様々なデータモダリティにわたる回帰タスクと分類タスクの両方にシームレスに適用できる。 ベンチマークデータセットでは、精度、トレーニング、予測効率の観点から、既存の手法を超越している。

関連論文リスト

• gp2Scale: A Class of Compactly-Supported Non-Stationary Kernels and Distributed Computing for Exact Gaussian Processes on 10 Million Data Points [3.649118516936603]
  本稿では,正確なガウス過程を1000万以上のデータポイントにスケールする手法を提案する。 いくつかの実世界のデータセットに本手法の機能を示し,それを最先端の近似アルゴリズムと比較する。
  論文  参考訳（メタデータ） (2025-12-05T20:52:37Z)
• Scalable Gaussian Processes with Low-Rank Deep Kernel Decomposition [7.532273334759435]
  カーネルはガウス過程(GP)モデルにおいて、事前の信念とデータ構造を符号化する鍵である。 ディープカーネル学習は、標準的なパラメトリック形式を適用する前に、ニューラルネットワークを介して入力を入力することで、カーネルの柔軟性を向上させる。 我々は、ニューラルネットワークが直接低ランクカーネルを表現する、完全にデータ駆動でスケーラブルなディープカーネル表現を導入する。
  論文  参考訳（メタデータ） (2025-05-24T05:42:11Z)
• Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
  emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。 本稿では,直感的に設計を記述し,設計選択について説明する。 本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
  論文  参考訳（メタデータ） (2023-10-31T16:15:13Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Low-dimensional Interpretable Kernels with Conic Discriminant Functions for Classification [0.0]
  カーネルはしばしば、その高次元の特徴空間表現による印象的な予測力を示す暗黙のマッピング関数として開発される。 本研究では,解釈可能な低次元カーネルの集合に繋がる,一連の単純な特徴写像を徐々に構築する。
  論文  参考訳（メタデータ） (2020-07-17T13:58:54Z)
• Sparse Gaussian Processes via Parametric Families of Compactly-supported Kernels [0.6091702876917279]
  本稿では,コンパクトなサポートを持つカーネル関数のパラメトリック族を導出する手法を提案する。 この種類のカーネルのパラメータは、最大推定値を用いてデータから学習することができる。 これらの近似は、ターゲットGPから直接描画されたデータをモデル化する際に、正確なモデルに対して最小限の誤差を生じさせることを示す。
  論文  参考訳（メタデータ） (2020-06-05T20:44:09Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。