Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of High Dimensional Categorical Observations

要約

我々は、時空間的に分散した、まばらな、高次元のカテゴリカル観測のストリームをモデル化するための新しいアプローチである、ストリーミング ガウス ディリクレ ランダム フィールド (S-GDRF) モデルを紹介します。
提案されたアプローチは、時空間データ内のグローバルおよびローカル パターンを効率的に学習し、制限された時間計算量での高速な推論とクエリを可能にします。
ニューラル ネットワークで分類されたプランクトン画像の高解像度データ シリーズを使用して、変分ガウス過程 (VGP) と比較してより正確な予測を行い、ストリーミング カテゴリ データから観測値の予測分布を学習するこのアプローチの能力を実証します。
。
S-GDRF は、これまで実現不可能であった、高次元のカテゴリー観測に対する効率的な情報に基づくパス計画を可能にする扉を開きます。

要約(オリジナル)

We present the Streaming Gaussian Dirichlet Random Field (S-GDRF) model, a novel approach for modeling a stream of spatiotemporally distributed, sparse, high-dimensional categorical observations. The proposed approach efficiently learns global and local patterns in spatiotemporal data, allowing for fast inference and querying with a bounded time complexity. Using a high-resolution data series of plankton images classified with a neural network, we demonstrate the ability of the approach to make more accurate predictions compared to a Variational Gaussian Process (VGP), and to learn a predictive distribution of observations from streaming categorical data. S-GDRFs open the door to enabling efficient informative path planning over high-dimensional categorical observations, which until now has not been feasible.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google