論文の概要: Scalable Sparse Autoregressive Variational Inference for Non-Gaussian Spatial Fields

• arxiv url: http://arxiv.org/abs/2610.13656v1
• Date: Fri, 09 Oct 2026 14:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.621775
• Title: Scalable Sparse Autoregressive Variational Inference for Non-Gaussian Spatial Fields
• Title（参考訳）: 非ガウス空間場に対するスケーラブルスパース自己回帰変分推論
• Abstract要約: 既存の近似は、ガウス以外の大規模なデータセットでは遅すぎるか制限的すぎるかのいずれかである。 本稿では,前者のスパース近傍の自己回帰構造を反映した,スケーラブルな変分推論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5397834466394762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent field models are essential for spatial statistics, but the posterior distribution of the latent field, even with a Gaussian process (GP) prior, is analytically intractable whenever the likelihood is non-Gaussian. Existing approximations are either too slow or too restrictive for large non-Gaussian datasets. We present a scalable variational inference framework that mirrors the sparse nearest-neighbor autoregressive structure of the prior in the variational family, uses normalizing-flow conditionals for expressiveness, and amortizes all variational parameters via a single shared neural conditioner. Doubly stochastic optimization with reduced ancestor sets achieves polylogarithmic complexity per iteration.
• Abstract（参考訳）: 潜場モデルは空間統計学に必須であるが、ガウス過程 (GP) が先行するとしても、その確率が非ガウス的であれば解析的に解析可能である。 既存の近似は、ガウス以外の大規模なデータセットでは遅すぎるか制限的すぎるかのいずれかである。 本稿では,前者の疎い近傍の自己回帰構造を反映したスケーラブルな変分推論フレームワークを提案し,表現性に正規化フロー条件を適用し,単一共有ニューラルコンディショナーを用いて全ての変分パラメータを補正する。 祖先集合を減らした二重確率最適化は反復毎の多対数複雑性を実現する。

関連論文リスト

• 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)
• Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
  大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。 提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
  論文  参考訳（メタデータ） (2024-02-27T15:08:57Z)
• 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)
• Instance-Dependent Generalization Bounds via Optimal Transport [51.71650746285469]
  既存の一般化境界は、現代のニューラルネットワークの一般化を促進する重要な要因を説明することができない。 データ空間における学習予測関数の局所リプシッツ正則性に依存するインスタンス依存の一般化境界を導出する。 ニューラルネットワークに対する一般化境界を実験的に解析し、有界値が有意義であることを示し、トレーニング中の一般的な正規化方法の効果を捉える。
  論文  参考訳（メタデータ） (2022-11-02T16:39:42Z)
• Nonconvex Stochastic Scaled-Gradient Descent and Generalized Eigenvector Problems [98.34292831923335]
  オンライン相関解析の問題から,emphStochastic Scaled-Gradient Descent (SSD)アルゴリズムを提案する。 我々はこれらのアイデアをオンライン相関解析に適用し、局所収束率を正規性に比例した最適な1時間スケールのアルゴリズムを初めて導いた。
  論文  参考訳（メタデータ） (2021-12-29T18:46:52Z)
• 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)
• Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond [63.59034509960994]
  シャッフルに基づく変種(ミニバッチと局所ランダムリシャッフル)について検討する。 ポリアック・ロジャシエヴィチ条件を満たす滑らかな函数に対して、これらのシャッフル型不変量(英語版)(shuffling-based variants)がそれらの置換式よりも早く収束することを示す収束境界を得る。 我々は, 同期シャッフル法と呼ばれるアルゴリズムの修正を提案し, ほぼ均一な条件下では, 下界よりも収束速度が速くなった。
  論文  参考訳（メタデータ） (2021-10-20T02:25:25Z)
• Wasserstein-Splitting Gaussian Process Regression for Heterogeneous Online Bayesian Inference [9.7471390457395]
  我々は,オンライン予測伝搬ステップと連動して動作するGPの変動自由エネルギー近似を用いる。 後続分布が大きく変化するたびに新しいGPをインスタンス化する局所分割ステップを導入する。 時間の経過とともに、これは徐々に更新されるかもしれないスパースGPのアンサンブルをもたらす。
  論文  参考訳（メタデータ） (2021-07-26T17:52:46Z)
• The computational asymptotics of Gaussian variational inference and the Laplace approximation [19.366538729532856]
  ガウス族との変分推論の凸性について理論的に解析する。 CSVIとCSVの両方の大規模実データにより、各最適化問題のグローバルな最適解が得られる可能性が向上することを示す。
  論文  参考訳（メタデータ） (2021-04-13T01:23:34Z)

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。