論文の概要: Learn Only Where You Can't Compute: Structured Corrections to Gaussian Process Posteriors

• arxiv url: http://arxiv.org/abs/2610.21977v1
• Date: Thu, 15 Oct 2026 14:31:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.12782
• Title: Learn Only Where You Can't Compute: Structured Corrections to Gaussian Process Posteriors
• Title（参考訳）: 計算できない場所のみを学ぶ:ガウスのプロセス後部への構造的補正
• Abstract要約: 物理インフォームド・ガウス過程(GP)は科学推論の原則的な枠組みを提供する。 GPはより大きなデータセットや非線形情報にスケールするのに苦労する。 本稿では,抽出可能なガウス参照と生成学習によるデータ駆動補正を組み合わせた後部補正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）: 21.695847652881707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed Gaussian processes (GPs) provide a principled framework for scientific inference by expressing uncertainty over empirical measurements, boundary conditions, and governing equations. However, they struggle to scale to larger datasets and nonlinear information. Conversely, diffusion models excel at learning complex distributions over functions from massive datasets, but struggle in scientific contexts where training data are scarce and physical or observational information must be incorporated. We propose a structured posterior-correction framework that combines a tractable Gaussian reference with data-driven corrections via generative learning. After a mean correction and covariance calibration, a diffusion model learns a targeted correction in a low-dimensional subspace selected to capture discrepancies from the reference, while the complement retains its Gaussian law. Across three scientific inference tasks, these corrections recover hidden modes, improve sample structure, and reduce prediction error relative to the Gaussian reference. Comparisons with full-field generative models reveal task-dependent benefits and tradeoffs between predictive accuracy and computational cost.
• Abstract（参考訳）: 物理インフォームド・ガウス過程(GP)は、経験的測定、境界条件、支配方程式に対する不確実性を表現することによって、科学的推論の原則的な枠組みを提供する。 しかし、彼らはより大きなデータセットや非線形情報にスケールするのに苦労している。 逆に拡散モデルは、大量のデータセットから関数上の複雑な分布を学ぶのに優れていますが、トレーニングデータが不足し、物理的または観察的な情報が組み込まれなければならない科学的な文脈では苦労しています。 本稿では,抽出可能なガウス参照と生成学習によるデータ駆動補正を組み合わせた後部補正フレームワークを提案する。 平均補正と共分散キャリブレーションの後、拡散モデルは基準から不一致を捉えるために選択された低次元部分空間において目標補正を学習し、補集合はそのガウス法則を保持する。 3つの科学的推論タスクの中で、これらの補正は隠れモードを復元し、サンプル構造を改善し、ガウス参照に対する予測誤差を低減する。 フルフィールド生成モデルと比較すると、タスク依存の利点と予測精度と計算コストのトレードオフが明らかになる。

関連論文リスト

• SCORE: Spectral Correlation Estimation for Multivariate Gaussians [14.105883070373645]
  高次元構造ガウス目標を用いたニューラルネットワークに基づく予測モデルは,共分散行列の効率的かつ数値的に安定な近似を必要とする。 スペクトル空間で学習した表現的共分散近似と、スコアリングルールトレーニングを組み合わせたスケーラブルなフレームワークSCOREを提案する。 一般に仮定されるガウス領域を用いて,様々なタスクにおけるモデルの評価を行い,計算コストの低減による性能向上を示す。
  論文  参考訳（メタデータ） (2026-10-08T15:01:56Z)
• A Taylor Series Approach to Correct Localization Errors in Robotic Field Mapping using Gaussian Processes [0.041998444721319216]
  多くの実世界のスカラーフィールドマッピングアプリケーションは、フィールド測定の収集にセンサーを搭載した移動ロボットに依存している。 改良された推定値が利用可能になったとき,GPモデルを更新する手法を提案する。 GP平均と共分散関数の事前計算されたヤコビアンとヘッセンを用いた二階補正アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-28T00:53:14Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Learning where to learn: Training data distribution optimization for scientific machine learning [4.726397480637032]
  科学的機械学習では、モデルは常にパラメータ値や境界条件が訓練で使用されるものから遠く離れている。 本稿では,平均予測誤差を最小限に抑えるトレーニングデータ分布を設計する学習と学習の課題について検討する。
  論文  参考訳（メタデータ） (2025-05-27T18:00:58Z)
• General regularization in covariate shift adaptation [1.5469452301122175]
  データ分布の違いを伴わない標準教師付き学習と同等の精度を達成するために必要なサンプルの量は、最先端の分析によって証明されたものよりも少ないことを示す。
  論文  参考訳（メタデータ） (2023-07-21T11:19:00Z)
• Episodic Gaussian Process-Based Learning Control with Vanishing Tracking Errors [10.627020714408445]
  本稿では,任意の追跡精度を保証するために,GPモデル学習のためのエピソード手法を開発する。 導出理論の有効性はいくつかのシミュレーションで示されている。
  論文  参考訳（メタデータ） (2023-07-10T08:43:28Z)
• Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
  データから解釈可能な等価性を発見する方法について検討する。 具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。 また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:19Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。