Beyond Intuition, a Framework for Applying GPs to Real-World Data

要約

ガウス過程 (GP) は、小規模で構造化された相関性のあるデータセットに対する回帰のための魅力的な方法を提供します。
ただし、その導入は、計算コストと、単純な低次元データセットを超えて GP を適用する方法に関する限られたガイドラインによって妨げられています。
特定の問題に対する GP の適合性を特定するためのフレームワークと、堅牢で詳細に指定された GP モデルを設定する方法を提案します。
このガイドラインは、カーネル設計と計算スケーラビリティのオプションに重点を置き、経験豊富な GP 実務者の決定を形式化したものです。
このフレームワークは氷河の標高変化のケーススタディに適用され、テスト時により正確な結果が得られます。

要約(オリジナル)

Gaussian Processes (GPs) offer an attractive method for regression over small, structured and correlated datasets. However, their deployment is hindered by computational costs and limited guidelines on how to apply GPs beyond simple low-dimensional datasets. We propose a framework to identify the suitability of GPs to a given problem and how to set up a robust and well-specified GP model. The guidelines formalise the decisions of experienced GP practitioners, with an emphasis on kernel design and options for computational scalability. The framework is then applied to a case study of glacier elevation change yielding more accurate results at test time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google