抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
エネルギーベースモデル(EBM)は,有限次元空間上の密度をモデル化するための非常に効果的なアプローチであることを証明した。組成を通してモデル構造へのドメイン特異的選択と制約を組み込む能力は,EBMsを物理学,生物学およびコンピュータビジョンおよび様々な他の分野への応用のための魅力的な候補にする。最近,確率的プロセスをモデル化するためのエネルギーベースプロセス(EBP)を,無条件交換可能データ(例えば点雲)を提案した。本研究では,有限に多くの点で評価した機能サンプルから関数(曲線または表面のような)の分布を学習できる,条件付き交換可能なデータのためのF-EBMと呼ばれる,EBPの新しいサブクラスを提示した。2つのユニークな課題は,機能的文脈において生じる。第1に,訓練データは,しばしば固定点集合に沿って評価されない。第2に,ステップは,評価ポイント間のモデルの挙動を制御して,過剰適合を緩和するために取り入れるべきであった。提案モデルは,スペクトル的に分解される関数空間に関するエネルギーベースモデルであり,Gaussプロセス経路測度を用いて,分布を再重みづけし,モデル化される根底にあるプロセスの平滑性を捉えた。得られたモデルは,不規則にサンプリングされた訓練データを利用する能力を持ち,任意の分解能で予測を出力し,機能データをアップスケーリングするための効果的なアプローチを提供する。著者らは,標準および不良の500(S&P)および英国国立グリッドから収集したデータを含む一連のデータセットのモデリングに対して,提案したアプローチの有効性を実証した。【JST・京大機械翻訳】