論文の概要: Information-Based Calibration of Uncertainty Quantification in Product-of-Experts Gaussian Process Models
- arxiv url: http://arxiv.org/abs/2608.29349v1
- Date: Sat, 29 Aug 2026 16:13:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.939428
- Title: Information-Based Calibration of Uncertainty Quantification in Product-of-Experts Gaussian Process Models
- Title（参考訳）: プロダクツ・オブ・エクスプロイトガウスプロセスモデルにおける不確実性定量化の情報に基づく校正
- Abstract要約: GP-pro(Product-of-experts GP model)は、局所的なGPモデルを組み合わせてグローバルな相関関係を捉える。
本稿では,GP-pro-cを提案する。GP-pro-cは,情報ベース手法を用いて,これらの分散を校正するGPモデルである。
実験の結果、GP-pro-cは非校正GP-proモデルと比較してNLLが2.3%、enceが12.0%減少することがわかった。
- 参考スコア（独自算出の注目度）: 6.3565351281858495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gaussian process (GP) regression with a single global GP (GP-glo) incurs cubic computational cost, limiting scalability to large datasets. Product-of-experts GP models (GP-pro), which combine local GP models to capture global correlations, alleviate this computational burden. However, training local experts on disjoint data subsets can lead to overestimated posterior variances. We propose GP-pro-c, a product-of-experts GP model that calibrates these variances using an information-based method. The method exploits the monotonicity and submodularity of information gain in GPs to define a calibration ratio that reduces the posterior variance of individual local GP models. We evaluate GP-pro-c using negative log-likelihood (NLL), root mean squared error (RMSE), and expected normalised calibration error (ENCE). Experiments on four synthetic functions and six regression datasets show that GP-pro-c achieves average reductions of 2.3% in NLL and 12.0% in ENCE compared with the uncalibrated GP-pro model. The proposed method mitigates posterior variance overestimation while maintaining predictive accuracy and reducing computational complexity. GP-pro-c provides a promising approach for uncertainty estimation in scalable GP models and may serve as a useful surrogate model for Bayesian optimisation with high-dimensional and large-scale data.
- Abstract（参考訳）: 単一のグローバルGP(GP-glo)を持つガウス過程(GP)回帰は、大規模データセットにスケーラビリティを制限し、立方体計算コストを発生させる。
GP-pro(Product-of-experts GP model)は、局所的なGPモデルを組み合わせてグローバルな相関関係を捉え、この計算負担を軽減する。
しかし、解離したデータ部分集合に関する地元の専門家の訓練は、過度に見積もられた後続のばらつきにつながる可能性がある。
本稿では,GP-pro-cを提案する。GP-pro-cは,情報ベース手法を用いて,これらの分散を校正するGPモデルである。
この手法は、GPにおける情報ゲインの単調性とサブモジュラリティを利用して、個々の局所GPモデルの後方分散を低減するキャリブレーション比を定義する。
GP-pro-cを負の対数類似度(NLL)、ルート平均二乗誤差(RMSE)、正規化校正誤差(ENCE)を用いて評価した。
4つの合成関数と6つの回帰データセットの実験により、GP-pro-cは非校正GP-proモデルと比較して、NLLが2.3%、enceが12.0%の平均的な減少を達成することが示された。
提案手法は,予測精度を維持しながら後方分散過大評価を軽減し,計算複雑性を低減させる。
GP-pro-cは、スケーラブルなGPモデルにおける不確実性推定のための有望なアプローチを提供し、高次元および大規模データを用いたベイズ最適化のための有用な代理モデルとして機能する。
関連論文リスト
- Bayesian Optimisation Using Product-of-Experts Gaussian Process Models with Uncertainty Calibration [0.0]
本稿では,GP-pro-cを代理モデルとして用いたベイズ最適化アルゴリズムBO-pro-cを紹介する。
実験結果からBO-pro-cは競争最適化性能を維持しつつ、簡素な後悔で0.9%の低下を達成することが示唆された。
論文 参考訳（メタデータ） (2026-09-14T13:37:35Z) - STRIDE: Sparse Techniques for Regression in Deep Gaussian Processes [0.3277163122167433]
大規模データを用いた深部GPトレーニングのための粒子ベース予測予測トレーニング手法を開発した。
標準ベンチマーク問題に対して,本手法を検証した。
論文 参考訳（メタデータ） (2025-05-16T15:18:15Z) - Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Aggregation Models with Optimal Weights for Distributed Gaussian Processes [6.408773096179187]
本稿では,分散GPにおける集約予測のための新しい手法を提案する。
提案手法は, 専門家間の相関関係を取り入れ, 管理可能な計算条件で予測精度を向上する。
実証的な研究によって実証されたように、提案手法は、最先端の一貫した集約モデルよりも少ない時間でより安定した予測をもたらす。
論文 参考訳（メタデータ） (2024-08-01T23:32:14Z) - 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) - Leveraging Locality and Robustness to Achieve Massively Scalable
Gaussian Process Regression [1.3518297878940662]
GPN(Nest-Nighbour)予測の強靭性特性と制限挙動を探索することによって,新しい視点を導入する。
データサイズnが大きくなるにつれて、推定パラメータとGPモデル仮定の精度は、GPnn予測精度とますます無関係になる。
この不正確さの源泉を補正することができ、高い計算コストで精度の高い不確実性対策と正確な予測を両立できることを示す。
論文 参考訳（メタデータ） (2023-06-26T14:32:46Z) - Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-12T03:35:45Z) - Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。
NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-10-26T10:45:25Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳（メタデータ） (2021-10-13T15:11:25Z) - On MCMC for variationally sparse Gaussian processes: A pseudo-marginal
approach [0.76146285961466]
ガウス過程(GP)は、機械学習や統計学において強力なモデルを構築するために頻繁に用いられる。
本稿では,2重推定器による確率と大規模データセットの正確な推測と計算的ゲインを提供する擬似マージナル(PM)方式を提案する。
論文 参考訳（メタデータ） (2021-03-04T20:48:29Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。
本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。
本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文 参考訳（メタデータ） (2020-06-18T14:24:05Z)
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。