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。
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】