Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting

要約

ガウス過程 (GP) は、複雑な共分散構造を持つデータセットに対するカーネルベースの学習のための一般的な機械学習手法となっています。
この論文では、不均一分散と外れ値ノイズをより適切に考慮するために、汚染された正規尤度関数を使用した GP フレームワークの新しい拡張を紹介します。
我々は、大規模なデータセット上の汚染された正規ノイズを含む疎ガウス過程回帰モデルをフィッティングするための、疎変分ガウス過程（SVGP）法に基づくスケーラブルな推論アルゴリズムを提案します。
私たちは、最先端の予測モデルがニューラル ネットワークに基づいている、地磁気による地面の摂動への応用を検討します。
人工の高密度ニューラル ネットワーク ベースラインと比較した場合、私たちのアプローチにより、同様のカバレッジと精度でより短い予測間隔が得られることを示します。

要約(オリジナル)

Gaussian Processes (GP) have become popular machine-learning methods for kernel-based learning on datasets with complicated covariance structures. In this paper, we present a novel extension to the GP framework using a contaminated normal likelihood function to better account for heteroscedastic variance and outlier noise. We propose a scalable inference algorithm based on the Sparse Variational Gaussian Process (SVGP) method for fitting sparse Gaussian process regression models with contaminated normal noise on large datasets. We examine an application to geomagnetic ground perturbations, where the state-of-the-art prediction model is based on neural networks. We show that our approach yields shorter prediction intervals for similar coverage and accuracy when compared to an artificial dense neural network baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google