一次元上のGauss過程に対する線形時間推論【JST・京大機械翻訳】

Loper Jackson; Blei David; Cunningham John P.; Paninski Liam

プレプリント

J-GLOBAL ID：202202212188207210 整理番号：21P0026516

一次元上のGauss過程に対する線形時間推論【JST・京大機械翻訳】

Linear-time inference for Gaussian Processes on one dimension

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 (4件)： , , ,
資料名：
発行年： 2020年03月11日プレプリントサーバーでの情報更新日： 2021年10月12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)

Gaussプロセス(GP)は,補間,予測および平滑化のための強力な確率的フレームワークを提供するが,計算スケーリング問題によって妨げられてきた。ここでは,1次元(例えば任意空間間隔でサンプリングされたスカラーまたはベクトル時系列)でサンプリングされたデータを調べ,そのために状態空間モデルがそれらの線形スケーリング計算コストのために一般的である。状態空間モデルは一般的であり,任意の一次元GPを近似できる。この予測の最初の一般的証明を提供し,Lebesgue積分連続カーネルにより支配されるベクトル値観測による1次元上の任意の静止GPが,特に,特定の-chosen状態空間モデル:潜在指数的生成(LEG)ファミリーを用いて任意の望ましい精度に近似できることを示した。この新しいファミリーは一般的な状態空間モデルに比べていくつかの利点を提供する:それは常に安定(非有界成長)であり,共分散は閉形式で計算でき,そのパラメータ空間は制約されない(勾配降下による直接推定を許容)。また,定理の証明は,スペクトル混合カーネルへの接続を描き,この一般的なカーネルファミリーに関する洞察を提供する。LEGモデルにおける推論と学習を行うための並列化アルゴリズムを開発し,実と合成データに関するアルゴリズムを試験し,サンプル数10億のデータセットへのスケーリングを実証した。【JST・京大機械翻訳】

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

パターン認識 , 通信網 , 図形・画像処理一般 , グラフ理論基礎 , システム同定

, ,

前のページに戻る