핵심 개념
가우시안 프로세스 예측을 몬테카를로 샘플링과 융합하여 새로운 접근 방식을 제안합니다.
초록
과학 및 공학 분야에서 정확한 변수 예측을 위한 모델을 다룹니다.
베이지안 패러다임에서 가우시안 프로세스를 사용하여 예측 확률 밀도 함수를 생성합니다.
선형 및 로그-선형 풀링을 사용하여 예측 확률 밀도 함수를 통합합니다.
몬테카를로 샘플링을 통해 가중치를 그립니다.
가우시안 프로세스 앙상블의 성능을 합성 데이터 세트를 사용하여 시연합니다.
GP는 입력 변수 x를 출력 변수 y에 확률적으로 매핑하는 함수를 찾습니다.
BMA는 사전의 가설 클래스 내에 참 모델이 존재한다는 가정 하에 작동합니다.
앙상블은 모델 결합에 초점을 맞추어 더 견고하고 강력한 모델을 만듭니다.
스태킹은 K개의 포인트 추정기를 사용하여 추가 포인트 추정기를 훈련합니다.
베이지안 스태킹은 확률적 추정기를 사용하여 예측 확률 밀도 함수를 조합합니다.
전문가의 혼합은 여러 전문가를 동시에 학습하고 가중치를 결정하는 게이팅 네트워크를 형성합니다.
로그-선형 풀링은 가중 로그-확률 밀도 함수의 평균을 취하여 결과적인 확률 밀도 함수를 표현합니다.
몬테카를로 샘플링을 사용하여 베이지안 추론을 수행합니다.
가우시안 프로세스 예측을 융합하는 방법에 대한 실험을 수행하고 결과를 비교합니다.
통계
GPs는 입력 변수 x를 출력 변수 y에 확률적으로 매핑하는 함수를 찾습니다.
BMA는 사전의 가설 클래스 내에 참 모델이 존재한다는 가정 하에 작동합니다.
앙상블은 모델 결합에 초점을 맞추어 더 견고하고 강력한 모델을 만듭니다.
인용구
"Ensembles demonstrate particular efficacy when the actual model lies beyond the hypothesis class."
"Stacking is quite general, and in particular, g can be determined in many ways, such as using a linear model with weights wk, or more sophisticated functions like neural networks."