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)モデルは,カーネル関数によって制御された帰納的バイアスを有する関数上の豊富な分布である。学習は,目的として限界尤度を用いてカーネルハイパーパラメータの最適化を通して起こる。タイプII最尤法(ML-II)として知られるこの古典的手法は,ハイパーパラメータの点推定をもたらし,GPを訓練するためのデフォルト法であり続ける。しかし,この手法は予測の不確実性を過小評価し,特に多くのハイパーパラメータが存在するとき,過剰適合する傾向がある。さらに,勾配ベース最適化は,ML-II点推定を局所極小の存在に非常に敏感にする。本研究は,カーネル関数のハイパーパラメータが,複雑なマルチモーダル分布からサンプルによく適している技法であるNestedサンプリング(NS)を用いて限界化される代替学習手順を提示した。カーネルのスペクトル混合(SM)クラスによる回帰タスクに焦点を当て,モデル不確実性を定量化するための原理的アプローチが,一連の合成およびベンチマークデータセットにわたって予測性能において実質的な利得をもたらすことを見出した。この文脈において,入れ子サンプリングは,MCMCベース推論における金標準であると広く考えられているハミルトニアンモンテカルロ(HMC)を超える速度利点を提供することも分かった。【JST・京大機械翻訳】