Jul, 2015

大规模空间数据的多分辨率逼近

PDF
TL;DR本文提出了一种多分辨率逼近方法 (M-RA) 来处理具有不同空间坐标观测值的高斯过程，并基于多尺度基函数对空间结构进行建模。该方法既适用于参数推断，又适用于大规模数据集的预测，并且可以在分布式计算环境下实现并行化。通过模拟数据和卫星数据集的比较实验，M-RA 方法表现出优越的性能。
multi-resolution approximationgaussian processesspatial resolutionparameter inferencedistributed-memory computing
发现论文，激发创造
  • 用于分析全球环境数据的时空多分辨率逼近

    本文提出了一种针对全球数据的时空建模扩展方法，将多分辨率逼近（MRA）方法与分区及复杂协方差模型拟合相结合，实现了可扩展的计算性能和灵活的协方差模型，为分析全球性数据提供了实用的策略。

    Jun, 2020

  • 高斯过程回归的多分辨率核逼近

    本文介绍了一种名为 Multiresolution Kernel Approximation (MKA) 的高效内存且适用于小长度尺度的高带宽核逼近算法。

    Aug, 2017

  • 大数据的并行高斯过程回归：低秩表示遇上马尔可夫近似

    本文提出了一种低秩 / 马尔科夫逼近的高斯过程模型，该模型在保证预测性能的同时提高了可扩展性并且适合于在多个机器 / 内核上并行运行。

    Nov, 2014

  • 具有大量观测数据集的嵌套克里金预测

    本文介绍了一种基于 Kriging 插值技术的嵌套预测器方法，通过聚合基于观测点子集的子模型来减轻计算负担，该方法在理论上具有比其他文献中的聚合方法更好的性能，并在模拟数据集和工业测试案例中进行了实际验证。

    Jul, 2016

  • 面向特征分布数据的可伸缩高维多元线性回归

    该论文提出了一种两阶段松弛贪心算法（TSRGA），用于对特征分布数据应用多元线性回归分析。TSRGA 的主要优势是其通信复杂度不依赖于特征维度，使其能够高度扩展到非常大的数据集。此外，对于多元响应变量，TSRGA 可以用于得到低秩系数估计。通过模拟实验验证了 TSRGA 的快速收敛性。最后，我们将所提出的 TSRGA 应用于金融应用中，利用来自 10-K 报告的非结构化数据，展示了其在密集大维矩阵的众多应用中的实用性。

    Jul, 2023

  • 一种简约、计算高效的机器学习方法用于空间回归

    引入了一种改进的平面旋转方法（MPRS），一种以物理为灵感的空间 / 时间回归的机器学习方法，它是一种非参数模型，通过短距离、距离依赖的 “相互作用” 来融合空间或时间相关性，而不假定基础概率分布的具体形式。通过完全自主的学习算法和平衡条件蒙特卡洛模拟来获得预测结果。MPRS 能够处理分散的数据和任意的空间维度。在各种合成和实际数据的测试中，无需参数调整的 MPRS 预测性能与普通克里金和反距离加权等标准插值方法相当。特别是，对于粗糙和非高斯数据（例如，日降水时间序列），MPRS 是一种非常有效的缺口填充方法。MPRS 显示出优越的计算效率和可扩展性，能够在几秒钟内在标准个人计算机上处理涉及数百万个节点的大型数据集。

    Sep, 2023

  • 使用结构化内核插值的高斯过程回归生成大规模磁场地图

    我们提出了一种映射算法，用于在室内环境中通过近似高斯过程回归计算大规模磁场地图，以用于室内区域的定位算法。

    Oct, 2023

  • 高层次综合多分辨率应用在 FPGA 的代码生成

    这篇论文阐述了利用基于高斯和拉普拉斯图像金字塔概念的多尺度处理来减少噪声，同时在不改变滤波器核的情况下保留不同粒度的图像细节的数学方法 Multiresolution Analysis 以及应用于医学成像方面。 该论文探讨了如何利用自动代码生成框架 HIPAcc 在多种加速器技术上生成用于 FPGAs 和嵌入式 GPU 的多分辨率应用程序的代码。

    Aug, 2014

  • 使用具有不同粒度的辅助空间数据集精炼粗粒度空间数据

    本研究提出了一种基于高斯过程的概率模型，可通过插值和空间聚合等技术调整空间数据的粒度，从而提高模型的泛化性能和准确性。

    Sep, 2018

  • 高维问题的梯度增强克里金法

    本文研究提出了新的梯度增强代理模型，通过采用部分最小二乘法，该方法得以减少超参数数目，控制相关矩阵大小，以及优化采样点，比现有的基于代理模型的解决方案更快速地获得所需精度。

    Aug, 2017