論文の概要: Gaussian Process Latent Factor Regression for Low-Data, High-Dimensional Output Problems

• arxiv url: http://arxiv.org/abs/2606.06576v1
• Date: Thu, 04 Jun 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.387215
• Title: Gaussian Process Latent Factor Regression for Low-Data, High-Dimensional Output Problems
• Title（参考訳）: 低次元高次元出力問題に対するガウス過程潜在因子回帰
• Authors: Edward T. Stevenson, Eric T. Wolf, Mei Ting Mak, N. J. Mayne, Miles Cranmer,
• Abstract要約: マルチアウトプットガウス過程は低データレジームでは優れているが、高次元出力では苦労する。 本稿では,各出力をガウス過程から引き出された低次元潜在状態の線形ガウス復号として表現するモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.08557135235837203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the sciences, regression tasks often require predicting high-dimensional outputs from few training examples. Multi-output Gaussian processes excel in low-data regimes but typically struggle with high-dimensional outputs. Compress-then-predict pipelines such as PCA-GP (principal component analysis plus Gaussian process regression) handle high dimensionality, but rely on bases optimized for reconstruction rather than prediction. To address this gap, we propose a model that represents each output as a linear-Gaussian decoding of a low-dimensional latent state drawn from a Gaussian process prior. By analytically marginalizing the decoder weights, we couple compression and prediction in a single objective that scales to high-dimensional outputs. We refer to this model as Gaussian process latent factor regression (GPLFR). We demonstrate GPLFR by building the first spatially resolved emulator of global climate models for rocky exoplanets.
• Abstract（参考訳）: 科学では、回帰タスクは、ほとんど訓練例から高次元の出力を予測する必要があることが多い。 マルチアウトプットガウス過程は低データレジームでは優れるが、通常高次元出力では苦労する。 PCA-GP(主成分分析とガウス過程回帰)のような圧縮予測パイプラインは高次元を扱うが、予測よりも再構築に最適化された基盤に依存している。 このギャップに対処するため,ガウス過程から引き出された低次元潜在状態の線形ガウス復号として各出力を表すモデルを提案する。 デコーダの重みを解析的に極小化することにより、高次元出力にスケールする1つの目的に圧縮と予測を結合する。 このモデルをガウス過程潜在因子回帰(GPLFR)と呼ぶ。 我々は、岩石系外惑星に対する地球規模の気候モデルの最初の空間分解エミュレータを構築することでGPLFRを実証する。

関連論文リスト

• When does Gaussian equivalence fail and how to fix it: Non-universal behavior of random features with quadratic scaling [15.148577493784051]
  ガウス同値理論 (GET) は、高次元の複素特徴の挙動をガウス級数によって捉えることができると述べている。 しかし、数値実験により、この同値性は一般的なスケーリング体制下での単純な埋め込みでも失敗する可能性があることが示されている。 我々は、低次元のガウス成分を高次元ガウスモデルに付加すると考えられる条件等価(CGE)モデルを導入する。
  論文  参考訳（メタデータ） (2025-12-03T00:23:12Z)
• A Simplified Analysis of SGD for Linear Regression with Weight Averaging [64.2393952273612]
  最近の研究は、定常学習率を用いた線形回帰におけるSGD最適化のためのシャープレートを提供する。 簡単な線形代数ツールを用いて,2021ベニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグナグニグニグニグニグニグニグニグニグニグニグネグニグニグニグニグネグニグニグネグニ 我々の研究は線形回帰の勾配勾配を非常に容易に解析し、ミニバッチと学習率のスケジューリングのさらなる分析に役立てることができると信じている。
  論文  参考訳（メタデータ） (2025-06-18T15:10:38Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Implicit Manifold Gaussian Process Regression [49.0787777751317]
  ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。 これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。 本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T09:52:48Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Multi-Fidelity High-Order Gaussian Processes for Physical Simulation [24.033468062984458]
  高忠実度偏微分方程式(PDE)は低忠実度偏微分方程式よりも高価である。 複雑な相関関係を捉えることができるMFHoGP(Multi-Fidelity High-Order Gaussian Process)を提案する。 MFHoGPは、情報を融合するために基礎を伝播し、基礎重みよりも先に深い行列GPを配置する。
  論文  参考訳（メタデータ） (2020-06-08T22:31:59Z)
• Projection Pursuit Gaussian Process Regression [5.837881923712394]
  コンピュータ実験の第一の目的は、分散評価によってコンピュータコードによって与えられる機能を再構築することである。 従来の等方的ガウス過程モデルは、限られたデータポイントに対して入力次元が比較的高いとき、次元の呪いに悩まされる。 非パラメトリック部分は加法ガウス過程の回帰によって駆動される射影追従モデルを考える。
  論文  参考訳（メタデータ） (2020-04-01T19:12:01Z)

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。