Core Concepts
ガウス過程とカーネル法を使用して一般的な非線形PDEを効率的に解決するための高速で正確な手法を提供する。
Abstract
機械学習ベースのアプローチが広く採用されている。
ガウス過程とカーネル法は柔軟性、堅牢な理論的保証、伝統的手法への密接な関係から注目されている。
スパースコレスキー因数分解アルゴリズムは、カーネル行列の近疎性に基づいており、近線形計算複雑度を提供する。
数値実験により、アルゴリズムの近線形空間/時間複雑度が示されている。
Contents Directory:
導入
機械学習と確率推論の人気が増している。
非線形PDEのGPsによる解法
GPフレームワークについて説明。
スパースコレスキー因数分解アルゴリズム
導関数無し測定値の場合と導関数測定値の場合に分けて説明。
理論的研究
カーネル行列への近似因子について厳密な結果を提示。
Stats
O(N logd(N/ϵ))空間計算量とO(N log2d(N/ϵ))時間計算量でカーネル行列の逆コレスキー因子を計算可能。
Quotes
"The primary goal of this paper is to provide a near-linear complexity algorithm for working with such kernel matrices."
"We integrate sparse Cholesky factorizations into optimization algorithms to obtain fast solvers of the nonlinear PDE."