ترجمه فارسی مقاله مدل‌های تجمیع با وزن‌های بهینه برای فرآیندهای گاوسی توزیع‌شده

چکیده

Gaussian process (GP) models have received increasingly attentions in recent years due to their superb prediction accuracy and modeling flexibility. To address the computational burdens of GP models for large-scale datasets, distributed learning for GPs are often adopted. Current aggregation models for distributed GPs are not time-efficient when incorporating correlations between GP experts. In this work, we propose a novel approach for aggregated prediction in distributed GPs. The technique is suitable for both the exact and sparse variational GPs. The proposed method incorporates correlations among experts, leading to better prediction accuracy with manageable computational requirements. As demonstrated by empirical studies, the proposed approach results in more stable predictions in less time than state-of-the-art consistent aggregation models.

چکیده به فارسی (ترجمه ماشینی)

مدل های فرایند گاوسی (GP) به دلیل دقت پیش بینی عالی و انعطاف پذیری مدل سازی ، در سالهای اخیر به طور فزاینده ای مورد توجه قرار گرفته اند.برای پرداختن به بارهای محاسباتی مدل های GP برای مجموعه داده های در مقیاس بزرگ ، یادگیری توزیع شده برای GP ها اغلب اتخاذ می شود.مدل های جمع آوری فعلی برای GPS توزیع شده در هنگام ترکیب همبستگی بین کارشناسان GP ، کارآمد نیستند.در این کار ، ما یک رویکرد جدید برای پیش بینی جمع شده در GPS توزیع شده پیشنهاد می کنیم.این تکنیک برای هر دو GPS دقیق و پراکنده مناسب است.روش پیشنهادی همبستگی بین متخصصان را شامل می شود و منجر به دقت پیش بینی بهتر با نیازهای محاسباتی قابل کنترل می شود.همانطور که توسط مطالعات تجربی نشان داده شده است ، رویکرد پیشنهادی منجر به پیش بینی های پایدار در زمان کمتری نسبت به مدلهای جمع آوری سازگار با پیشرفت می شود.