論文の概要: Input Bias Correction in Gaussian Process Regression

• arxiv url: http://arxiv.org/abs/2610.31920v1
• Date: Thu, 22 Oct 2026 21:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.29536
• Title: Input Bias Correction in Gaussian Process Regression
• Title（参考訳）: ガウス過程回帰における入力バイアス補正
• Abstract要約: 従来のガウス過程(GP)回帰では、入力は一般に知られており、不確実性は測定によってのみ現れる。 Ba-GPは、記録されたGPが、入力のより良い推定が利用可能になったときに、数値的に効率的な方法でどのように修正できるかを理解することを目的としている。 シミュレーションおよび室内光強度マッピング実験により、Ba-GPはノイズ入力GPベースラインに対して予測精度と不確実性校正を改善することが示された。
• 参考スコア（独自算出の注目度）: 0.03914676152740142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In traditional Gaussian process (GP) regression, the inputs are typically assumed to be known, and uncertainty enters only through the measurements. When scalar fields are mapped using GP regression with measurements obtained from a mobile sensor, the inputs correspond to the estimated pose of the mobile sensor. The goal in this letter is to understand how a recorded GP, trained on erroneous inputs (e.g., pose estimates from dead-reckoning), can be corrected in a numerically efficient way when better estimates of the inputs become available. In the developed bias-aware GP (Ba-GP) framework, the recorded GP posterior-mean gradient is used to propagate estimated input bias and noise into mean and covariance corrections. The resulting additive covariance structure is then exploited to develop numerically efficient first-order correction algorithms. A simulation study and an indoor light-intensity mapping experiment show that Ba-GP improves predictive accuracy and uncertainty calibration relative to noisy-input GP baselines, with an order-of-magnitude reduction in computational cost relative to full GP retraining.
• Abstract（参考訳）: 従来のガウス過程(GP)回帰では、入力は一般に知られており、不確実性は測定によってのみ現れる。 移動センサから得られる測定値とGP回帰を用いてスカラーフィールドをマッピングした場合、入力は移動センサの推定ポーズに対応する。 このレターの目標は、誤った入力(例えば、デッドレコンディングによる推定値)に基づいて訓練された記録されたGPが、入力のより良い推定値が利用可能になったときに、数値的に効率よく修正できるかを理解することである。 改良されたバイアス対応GP(Ba-GP)フレームワークでは、推定入力バイアスとノイズを平均と共分散補正に伝達するために記録されたGP後平均勾配を用いている。 得られた加算共分散構造を利用して、数値的に効率的な一階補正アルゴリズムを開発する。 シミュレーション実験と室内光強度マッピング実験により,Ba-GPは完全GPリトレーニングと比較して計算コストのオーダー・オブ・マグニチュード低減を図り,ノイズインプットGPベースラインに対する予測精度と不確かさのキャリブレーションを改善した。

関連論文リスト

• Information-Based Calibration of Uncertainty Quantification in Product-of-Experts Gaussian Process Models [6.3565351281858495]
  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。
  論文  参考訳（メタデータ） (2026-08-29T16:13:35Z)
• 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)
• 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)
• EAP-GP: Mitigating Saturation Effect in Gradient-based Automated Circuit Identification [62.611812892924156]
  飽和効果に対応するために,GradPath (EAP-GP) を用いたエッジパッチを提案する。 EAP-GPは、入力から始まり、飽和領域を避けるために、破損した入力とクリーン入力の勾配の違いの方向を適応的に追従する積分経路を導入する。 GPT-2 Small, GPT-2 Medium, GPT-2 XL を用いた6つのデータセットの EAP-GP の評価を行った。
  論文  参考訳（メタデータ） (2025-02-07T16:04:57Z)
• 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)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Fast Gaussian Process Posterior Mean Prediction via Local Cross Validation and Precomputation [0.0]
  我々はFastMuyGPと呼ばれる高速後部平均予測アルゴリズムを提案する。 MuyGPs のハイパーパラメータ推定アルゴリズムに基づいており、残余のクロスバリデーション、近隣のスパーシフィケーション、プリ計算の組み合わせを利用している。 ディープニューラルネットワークと最先端のGPアルゴリズムの両方に対して、精度と競合性、あるいは優れたランタイムを実現する。
  論文  参考訳（メタデータ） (2022-05-22T17:38:36Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• 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)

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。