文献

J-GLOBAL ID：201802226669840932   整理番号：18A2202303

少数地点における観測データからの不連続性を考慮した物理量場のベイズ推定

Bayesian Inference for Field of Physical Quantity from Data obtained at Several Locations

著者 (2件)： 太田真人 (関西学院大 理工) ,  岡留剛 (関西学院大 理工)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 118  号： 197(AI2018 13-24)(Web)  ページ： 55-60 (WEB ONLY)  発行年： 2018年08月20日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： センサーで点観測される物理量について,いずれも校正されていない低精度センサーと,それらよりも少数の高精度センサーを環境に配置し,データから環境の各点における物理量(物理量場)を推定する。物理量場に不連続性があると既存手法では推定精度は下がる。本研究では,ベイズ的アプローチをとり,確率的生成モデルを構築し,低精度センサーの系統誤差と物理量場の不連続性を考慮して場の事後確率を変分近似により求める。一般に系統誤差の教師データは与えられないため,提案手法は,高精度センサーを擬似教師データとする教師なし学習である。提案モデルの限界を調べるため,実験により,場の勾配がどれほど大きいと不連続と見なされるのか調べ,さらに場の勾配とセンサー密度の関係を求めた。(著者抄録)

シソーラス用語： *測定データ ,  不連続性 ,  データ ,  統計的推定 ,  *Bayes推定 ,  系統誤差 ,  近似法 ,  Gauss過程 ,  教師なし学習
準シソーラス用語： 観測データ ,  センサデータ ,  物理量 ,  変分近似 ,  変分Bayes推定

分類 (1件)： 数値計算  (JE02000J)

引用文献 (16件)：

• C.E. Rasmussen and C.K.I. Williams. ′′Gaussian processes for machine learning,′′ The MIT Press, 2006.
• K.P. Murphy, ′′Machine learning: a probabilistic perspective,′′ Cambridge, MA: MIT Press, 2012
• R. Calandra, J. Peters, C.E. Rasmussen, and M.P. Deisenroth. ′′Manifold Gaussian processes for regression, ′′arXiv preprint arXiv: 1402. 5876. 2014.
• M. David and R. Stuart J. ′′Gaussian process random fields.′′ In Advances in Neural Information Processing Systems, pp. 3357-3365. Curran Associates, Inc., 2015.
• S.Z. Li, ′′Markov random field modeling in image analysis, 2nd ed.′′ New York: Springer-Verlag, 2001.

タイトルに関連する用語 (4件)： 観測データ ,  不連続性 ,  物理量 ,  ベイズ推定