BiasモデルによるロバストなGaussプロセス回帰【JST・京大機械翻訳】

Park Chiwoo; Borth David J.; Wilson Nicholas S.; Hunter Chad N.; Friedersdorf Fritz J.

プレプリント

J-GLOBAL ID：202202201327159097 整理番号：22P0100503

BiasモデルによるロバストなGaussプロセス回帰【JST・京大機械翻訳】

Robust Gaussian Process Regression with a Bias Model

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 (5件)： , , , ,
資料名：
発行年： 2020年01月14日プレプリントサーバーでの情報更新日： 2020年01月14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)

本論文では,ロバストなGauss過程(GP)回帰に対する新しいアプローチを示した。ほとんどの既存の手法は,Laplace分布とStudent-t分布のような重いテール分布から誘導される非Gauss尤度と異常値傾向Gauss尤度を置き換える。しかし,非Gauss尤度の使用は,事後推論における計算的に高価なBayes近似計算の必要性を招いた。提案した手法は,未知の回帰関数の雑音のある偏った観察として異常値をモデルし,従って,尤度は,回帰関数からの偏差の程度を説明するバイアス項を含む。正規化最尤推定により,バイアスを他のハイパーパラメータで正確に推定することができる。バイアス推定に基づいて,ロバストGP回帰は予測平均と分散推定の解析的形式で標準GP回帰問題に低減できた。したがって,提案した手法は簡単で非常に計算的に魅力的である。また,それは多くの試験シナリオに対して非常にロバストで正確なGP推定を与える。数値的評価のために,著者らは,異なる異常値比率および種々のノイズレベルの様々なシミュレーションシナリオの下で,既存のロバストGPアプローチと比較して,提案した方法を評価するために,包括的シミュレーション研究を行った。このアプローチを2つの測定システムからのデータに適用し,そこでは予測子がロバスト環境パラメータ測定に基づいており,応答変数が異常値の一定割合を含むより複雑な化学センシング法を利用する。計測システムの有用性と環境データの値を,計算的に効率的なGP回帰とバイアスモデルを通して改善した。【JST・京大機械翻訳】

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

図形・画像処理一般 , 人工知能 , 数値計算

, ,

前のページに戻る