論文の概要: Feature Space Adaptation for Effortless Gaussian Process Flows
- arxiv url: http://arxiv.org/abs/2610.11459v1
- Date: Thu, 08 Oct 2026 08:12:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.884767
- Title: Feature Space Adaptation for Effortless Gaussian Process Flows
- Title（参考訳）: 不運なガウス過程に対する特徴空間適応
- Abstract要約: FlowGPは任意の非線形および非ガウス的ステートメントを条件にすることができる。
高分解能ドメインへのスケーリングを可能にするカーネル近似を導入する。
また,拡散を操るのに必要な作業を測定することにより,限界確率を求める方法を提案する。
- 参考スコア（独自算出の注目度）: 6.474760227870047
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Outside the linear-Gaussian regime, conditional sampling from Gaussian processes (GPs) is challenging. Recent methods such as FlowGP (Moss et al., (2026)) can condition on arbitrary non-linear and non-Gaussian statements, but at considerable cost: an expensive iterative and high-dimensional diffusion that requires hand-specified kernel hyperparameters. In this paper, we alleviate two significant drawbacks of FlowGP by (1) introducing kernel approximations that enable scaling to high-resolution domains and (2) proposing a way to obtain the marginal likelihood by measuring the work needed to steer the diffusion towards conditioning statements. We enable, for the first time, hyperparameter optimisation within FlowGP and demonstrate our approach on probabilistic downscaling from areal summary statistics, PDE solution inference on irregular domains, and recovery of sea level anomaly fields from non-Gaussian satellite observations.
- Abstract（参考訳）: 線形ガウス状態以外では、ガウス過程(GP)からの条件付きサンプリングは困難である。
FlowGP (Moss et al , (2026) のような最近の手法は任意の非線形および非ガウス的ステートメントを条件にできるが、かなりコストがかかる。
本稿では,(1)高分解能ドメインへのスケーリングを可能にするカーネル近似を導入することにより,FlowGPの2つの重大な欠点を緩和する。
本研究では,FlowGP内でのハイパーパラメータ最適化を初めて実現し,アラルサマリ統計からの確率的ダウンスケーリング,不規則領域のPDE解推論,非ガウス衛星観測による海面異常場の回復を実証する。
関連論文リスト
- The Tamed Subgradient Unadjusted Langevin Algorithm beyond Convexity [2.676349883103404]
SG-TULA(Subgradiented Unadjusted Langevin Algorithm)を導入する。
ワッサーシュタイン2距離における非漸近収束境界を導出する。
関連する問題に対する過剰なリスク推定を提供する。
論文 参考訳（メタデータ） (2026-08-06T17:09:46Z) - Conditioning Gaussian Processes on Almost Anything [19.803622987031705]
予測サンプリングは閉形式ガウス力学とモンテカルロ近似を含む確率依存誘導項を持つODEとして再放送する。
ホワイトニングは非ガウス力学を分離し、ワッサーシュタイン2輸送コストを最小化し、数値剛性を排除した。
これらの結果は,実世界の知識の完全豊かさを条件付け情報として取り入れ,実世界の問題の確率論的モデリングのための新たなフロンティアを開くための一般的なメカニズムを提供する。
論文 参考訳（メタデータ） (2026-05-20T11:23:42Z) - Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。
以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
論文 参考訳（メタデータ） (2025-10-22T19:06:39Z) - Hessian-guided Perturbed Wasserstein Gradient Flows for Escaping Saddle Points [54.06226763868876]
ワッサーシュタインフロー (WGF) は測度空間上で最適化を行う一般的な方法である。
PWGFは一般の非目的の観点で大域的最適に収束することを示す。
論文 参考訳（メタデータ） (2025-09-21T08:14:20Z) - How and Why: Taming Flow Matching for Unsupervised Anomaly Detection and Localization [15.283777345273089]
時間反転フローマッチングの概念をベクトル場回帰として定式化する。
線形確率経路を持つFMは本質的に非可逆であることを示す。
本研究は,非教師付き異常検出タスクに対するFMの最初の成功例を示す。
論文 参考訳（メタデータ） (2025-08-07T15:02:07Z) - On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。
RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。
本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
論文 参考訳（メタデータ） (2024-10-19T02:36:11Z) - Bayesian Gaussian Process ODEs via Double Normalizing Flows [27.015257976208737]
本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。
また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。
シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-17T09:28:47Z) - Gaussian Variational State Estimation for Nonlinear State-Space Models [0.3222802562733786]
非線形状態空間モデルに対するフィルタリングと平滑化の両面から状態推定の問題を考察する。
我々は変分推論に基づく仮定ガウス解を開発し、必要な分布を近似する柔軟なが原則化されたメカニズムの鍵となる利点を提供する。
論文 参考訳（メタデータ） (2020-02-07T04:46:14Z)
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。