異種入力領域上のマルチタスクGauss過程の学習【JST・京大機械翻訳】

Liu Haitao; Wu Kai; Ong Yew-Soon; Bian Chao; Jiang Xiaomo; Wang Xiaofang

プレプリント

J-GLOBAL ID：202202201325167149 整理番号：22P0295248

異種入力領域上のマルチタスクGauss過程の学習【JST・京大機械翻訳】

Learning Multi-Task Gaussian Process Over Heterogeneous Input Domains

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年02月25日プレプリントサーバーでの情報更新日： 2022年06月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

マルチタスクGaussプロセス(MTGP)は,タスクを横断して知識を転送することにより,相関タスクを効果的に学習するためのよく知られたノンパラメトリックBayesモデルである。しかし,現在のMTGPは,通常,同じ入力ドメインで定義されたマルチタスクシナリオに限られており,異種ケース,即ち,入力ドメインの特徴がタスク上で変化するという空間を残す。この目的のために,本論文では,様々な入力領域を持つタスクを同時に学習するための共地域化(HSVLMC)モデルの新しい不均一確率的変分線形モデルを示した。特に,(i)有効入力アラインメントを達成するために,ドメインマッピングにより提起された次元縮小の影響を考慮したBayesキャリブレーションによる確率的変分フレームワークを開発した。(ii)より良いモデル推論のために事前ドメインマッピングによってもたらされる帰納的バイアスを利用するために残差モデリング戦略を採用する。最後に,既存のLMCモデルに対する提案モデルの優位性を,多様な不均一マルチタスク事例および実際のマルチ忠実度蒸気タービン排気問題について広範囲に検証した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る