論文の概要: Amortized Structured Stochastic Variational Inference for Gaussian Process Latent Variable Models

• arxiv url: http://arxiv.org/abs/2610.03647v1
• Date: Fri, 02 Oct 2026 17:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.519954
• Title: Amortized Structured Stochastic Variational Inference for Gaussian Process Latent Variable Models
• Title（参考訳）: ガウス過程潜在変数モデルに対する補正構造確率的変分推定
• Abstract要約: 本稿では, 遅延空間の変分後部を誘導点の値に条件付きで依存させるために, 補正構造推論を適用した。 このより柔軟な変動変動は、データ多様体上の点の再構成に関連するいくつかの指標を改善することを実証する。
• 参考スコア（独自算出の注目度）: 7.235731138072605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many machine learning methods aim to approximate the lower-dimensional manifold on which the data lives. A desirable feature of such methods is that they should capture the epistemic uncertainty of this learned manifold. One model that achieves this is the Gaussian Process Latent Variable Model, in which a Gaussian Process (GP) mapping from the latent space provides an estimate of the uncertainty of the manifold. However, the effectiveness of this uncertainty estimation is limited by the mean-field variational approximation between the GP inducing points and the latent variables. In this work, we apply Amortized Structured Stochastic Variational Inference to allow the variational posterior for the latent space to be conditionally dependent on the value of the inducing points. We demonstrate that this more flexible variational posterior improves several metrics relating to the reconstruction of points on the data manifold.
• Abstract（参考訳）: 多くの機械学習手法は、データが生活する低次元多様体を近似することを目的としている。 そのような方法の望ましい特徴は、この学習された多様体の認識的不確かさを捉えることである。 これを達成する1つのモデルはガウス過程潜在変数モデル(英語版)であり、後者の空間からのガウス過程(GP)写像は多様体の不確かさを推定する。 しかし、この不確実性推定の有効性は、GP誘導点と潜伏変数の間の平均場変動近似によって制限される。 そこで本研究では,不動化構造確率的変分推論を適用し,潜在空間の変分後部が誘導点の値に条件付きで依存できるようにする。 このより柔軟な変動後続法は、データ多様体上の点の再構成に関連するいくつかの指標を改善することを実証する。

関連論文リスト

• Variational bagging: a robust approach for Bayesian uncertainty quantification [3.1932150827796675]
  本稿では,バラエティベイズとバッギング手法を統合した変分バッギング手法を提案する。 一般モデルに対する後部収縮率を含む強力な理論的保証を確立する。 我々は、パラメトリックモデル、有限混合モデル、ディープニューラルネットワーク、変分オートエンコーダ(VAE)への応用を通して、我々の変分バッグング法を数値的研究で説明する。
  論文  参考訳（メタデータ） (2025-11-25T18:24:17Z)
• Variational Learning of Gaussian Process Latent Variable Models through Stochastic Gradient Annealed Importance Sampling [22.256068524699472]
  本研究では,これらの問題に対処するために,Annealed Importance Smpling (AIS)アプローチを提案する。 シークエンシャルモンテカルロサンプリング器とVIの強度を組み合わせることで、より広い範囲の後方分布を探索し、徐々にターゲット分布に接近する。 実験結果から,本手法はより厳密な変動境界,高い対数類似度,より堅牢な収束率で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-13T08:09:05Z)
• 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)
• Multi-Response Heteroscedastic Gaussian Process Models and Their Inference [1.52292571922932]
  本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。 後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。 提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
  論文  参考訳（メタデータ） (2023-08-29T15:06:47Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• Manifold Gaussian Variational Bayes on the Precision Matrix [70.44024861252554]
  複雑なモデルにおける変分推論(VI)の最適化アルゴリズムを提案する。 本研究では,変分行列上の正定値制約を満たすガウス変分推論の効率的なアルゴリズムを開発した。 MGVBPはブラックボックスの性質のため、複雑なモデルにおけるVIのための準備が整ったソリューションである。
  論文  参考訳（メタデータ） (2022-10-26T10:12:31Z)
• Generalised Gaussian Process Latent Variable Models (GPLVM) with Stochastic Variational Inference [9.468270453795409]
  ミニバッチ学習が可能なBayesianVMモデルの2倍の定式化について検討する。 このフレームワークが、異なる潜在変数の定式化とどのように互換性を持つかを示し、モデルの組を比較する実験を行う。 我々は、膨大な量の欠落データの存在下でのトレーニングと、高忠実度再構築の実施を実証する。
  論文  参考訳（メタデータ） (2022-02-25T21:21:51Z)

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。