文献

J-GLOBAL ID：202002212559901987   整理番号：20A1027761

スパース階層非定常モデルのための事後推論【JST・京大機械翻訳】

Posterior inference for sparse hierarchical non-stationary models

著者 (7件)： Monterrubio-Gomez Karla (University of Warwick, UK) ,  Roininen Lassi (LUT University, Finland) ,  Wade Sara (University of Edinburgh, UK) ,  Damoulas Theodoros (University of Warwick, UK) ,  Damoulas Theodoros (Alan Turing Institute, UK) ,  Girolami Mark (University of Cambridge, UK) ,  Girolami Mark (Alan Turing Institute, UK)
資料名： Computational Statistics & Data Analysis  (Computational Statistics & Data Analysis)
巻： 148  ページ： Null  発行年： 2020年 
JST資料番号： H0911A  ISSN： 0167-9473  CODEN： CSDADW  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： Gauss過程は,典型的に定常性の仮定が用いられる非パラメトリックモデリングのための価値あるツールである。この仮定の除去は予測を改善できるが,そのようなモデルの適合は挑戦的である。確率的に空間的に変化するパラメータを持つGaussマルコフ確率場に基づいて階層モデルを構築した。重要なことに,これは非定常性を可能にし,一方,精度行列のまばらなバンド表現を通して計算負荷を扱うこともできる。この設定において,効率的Markov連鎖モンテカルロ(MCMC)サンプリングは,パラメータの事後確率とハイパーパラメータの強い結合のために困難である。3つの適応MCMC方式を開発し,高速推論のために帯域行列演算を用いることを比較した。さらに,高次元入力空間への新しい拡張を,モデルの柔軟性とスケーラビリティを保持する付加的構造を通して提案し,一方,付加的アプローチから解釈可能性を継承した。シミュレーション実験と計算機エミュレーション問題の両方について,非定常設定における方法の効率と精度の完全な評価を示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  シミュレーション ,  Gauss過程 ,  *Markov連鎖 ,  事後確率 ,  エミュレーション ,  計算機械 ,  高次元 ,  周波数帯
準シソーラス用語： Markov確率場 ,  MCMC ,  計算負荷 ,  定常性 ,  階層モデル ,  ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： Gauss過程 ,  マルチレベルモデル ,  Gauss型Markov確率場 ,  mcmC ,  SPDE

分類 (4件)： システム・制御理論一般  (IA02010H) ,  医用画像処理  (JE04020T) ,  パターン認識  (JE07000S) ,  信号理論  (ND02020G)

タイトルに関連する用語 (4件)： 階層 ,  非定常 ,  モデル ,  推論