Partially Observable Gaussian Process Network and Doubly Stochastic Variational Inference

要約

ガウスプロセス（GP）の次元の呪いを減らすために、それらは、低次元の結合されたサブプロセスのガウスプロセスネットワーク（GPN）に分解できます。
場合によっては、GPN内で中間観測が利用可能です。
ただし、中間観測はしばしば間接的で、騒々しく、ほとんどの現実世界のシステムでは不完全です。
この作業では、部分的に観察可能なガウスプロセスネットワーク（POGPN）を導入して、実際のプロセスネットワークをモデル化します。
サブプロセスの潜在機能の共同分布をモデル化し、すべてのサブプロセスからの観測を使用して推論を行います。
POGPNは、観測レンズ（観測可能性）を、深いガウスプロセスの確立された推論方法に組み込みます。
また、POPGNの2つのトレーニング方法を導入して、ノード観測を使用してネットワーク全体で推論を行います。
ベンチマークの問題へのアプリケーションは、トレーニングと推論中に部分的な観測を組み込むことで、ネットワーク全体の予測パフォーマンスを改善し、その実用的なアプリケーションの見通しを提供する方法を示しています。

要約(オリジナル)

To reduce the curse of dimensionality for Gaussian processes (GP), they can be decomposed into a Gaussian Process Network (GPN) of coupled subprocesses with lower dimensionality. In some cases, intermediate observations are available within the GPN. However, intermediate observations are often indirect, noisy, and incomplete in most real-world systems. This work introduces the Partially Observable Gaussian Process Network (POGPN) to model real-world process networks. We model a joint distribution of latent functions of subprocesses and make inferences using observations from all subprocesses. POGPN incorporates observation lenses (observation likelihoods) into the well-established inference method of deep Gaussian processes. We also introduce two training methods for POPGN to make inferences on the whole network using node observations. The application to benchmark problems demonstrates how incorporating partial observations during training and inference can improve the predictive performance of the overall network, offering a promising outlook for its practical application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google