入れ子サンプリングによる限界Gauss過程【JST・京大機械翻訳】

Simpson Fergus; Lalchand Vidhi; Rasmussen Carl Edward

プレプリント

J-GLOBAL ID：202202212366096428 整理番号：21P0058073

入れ子サンプリングによる限界Gauss過程【JST・京大機械翻訳】

Marginalised Gaussian Processes with Nested Sampling

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 (3件)： , ,
資料名：
発行年： 2020年10月30日プレプリントサーバーでの情報更新日： 2021年11月19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)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】

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

人工知能 , システム・制御理論一般

, ,

前のページに戻る