Fugu-MT 論文翻訳(概要): Safe Bayesian Optimization for Uncertain Correlation Matrices in Linear Models of Co-Regionalization

論文の概要: Safe Bayesian Optimization for Uncertain Correlation Matrices in Linear Models of Co-Regionalization

arxiv url: http://arxiv.org/abs/2605.13302v2
Date: Wed, 20 May 2026 07:08:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-21 14:55:44.105273
Title: Safe Bayesian Optimization for Uncertain Correlation Matrices in Linear Models of Co-Regionalization
Title（参考訳）: コリージョン化線形モデルにおける不確かさ相関行列の安全なベイズ最適化
Abstract要約: 共領域化カーネルの線形モデルを用いてガウス過程からサンプリングしたベクトル値関数に対する一様誤差境界を導出する。安全なマルチタスクベイズ最適化ベンチマークにおいて,共領域化の線形モデルの性能向上の可能性を示す。
参考スコア（独自算出の注目度）: 0.8594140167290097
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper extends safety guarantees for multi-task Bayesian optimization with uncertain co-regionalization matrices from intrinsic co-regionalization models to linear models of co-regionalization. The latter allows for more flexible modeling of the inter-task correlations by composing multiple features. We derive uniform error bounds for vector-valued functions sampled from a Gaussian process with a linear model of co-regionalization kernel. Furthermore, we show the potential performance gains of linear models of co-regionalization in a numerical comparison on a safe multi-task Bayesian optimization benchmark.
Abstract（参考訳）: 本稿では,固有コリージョン化モデルからコリージョン化の線形モデルへの不確実なコリージョン化行列を用いたマルチタスクベイズ最適化の安全性保証を拡張する。後者は複数の特徴を構成することで、タスク間の相関をより柔軟なモデリングを可能にする。共領域化カーネルの線形モデルを用いてガウス過程からサンプリングしたベクトル値関数に対する一様誤差境界を導出する。さらに、安全なマルチタスクベイズ最適化ベンチマークにおいて、共領域化の線形モデルの性能向上の可能性を示す。

関連論文リスト

Robust model-based clustering via mixtures of multivariate pseudo-Voigt distributions [0.0]
ガウス分布とコーシー分布の重み付き凸結合は、ロバストモデルに基づくクラスタリングと外乱検出のために提案される。このフレームワークは、重み付けされた振る舞いを特徴とするデータに対して特に有効であることが示されている。
論文参考訳（メタデータ） (2026-08-27T18:38:42Z)
Kernel-based guarantees for nonlinear parametric models in Bayesian optimization [5.191484562883949]
我々は、適応的に収集されたデータに基づいて訓練された正規化非線形パラメトリックモデルを解析するためのカーネルベースのフレームワークを開発する。これらの境界が非線形獲得および代理モデルに対する収束保証をどのようにサポートするかを示す。
論文参考訳（メタデータ） (2026-05-13T08:24:55Z)
Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文参考訳（メタデータ） (2025-09-29T19:50:19Z)
Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
論文参考訳（メタデータ） (2025-08-26T15:06:30Z)
Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-07-16T02:24:21Z)
Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文参考訳（メタデータ） (2025-05-21T07:16:44Z)
Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
オフライン多目的最適化のための優先誘導拡散モデルを提案する。我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
論文参考訳（メタデータ） (2025-03-21T16:49:38Z)
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)
Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
離散モデル選択問題の連続緩和を利用したスケーラブルなアルゴリズムを提案する。ベイズ非パラメトリックモデルとしてカウスカルプロセス条件密度推定器(CGP-CDE)を用いる。この行列は、限界確率と非巡回正規化器を用いて最適化され、最大 A 後方因果グラフを与える。
論文参考訳（メタデータ） (2024-11-15T12:55:05Z)
Simulation Based Bayesian Optimization [0.0]
本稿では,獲得関数を最適化するための新しいアプローチとして,シミュレーションベースベイズ最適化(SBBO)を提案する。 GPは後続予測分布への解析的アクセスを提供するため、サロゲートモデルとして一般的に使用される。本研究では,SBBOの有効性を種々の代理モデルを用いて実証的に実証する。
論文参考訳（メタデータ） (2024-01-19T16:56:11Z)
A Probabilistic Model for Data Redundancy in the Feature Domain [0.0]
確率モデルを用いて、大規模データセットにおける非相関な特徴の数を推定する。我々のモデルは、複数の特徴の相互依存性(多重性)と相互関係(多重性)の両方を可能にする。我々は、互いに有意な制約付き集合に関する補助的な結果を証明する。
論文参考訳（メタデータ） (2023-09-24T14:51:53Z)
Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)
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)

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。