ترجمه فارسی مقاله فرآیند گاوسی چند خروجی غیر ثابت و کم همبسته با Spike-and-Slab Prior

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Non-stationary and Sparsely-correlated Multi-output Gaussian Process with Spike-and-Slab Prior
عنوان مقاله به فارسی فرآیند گاوسی چند خروجی غیر ثابت و کم همبسته با Spike-and-Slab Prior
نویسندگان Wang Xinming, Li Yongxiang, Yue Xiaowei, Wu Jianguo
فرمت مقاله انگلیسی PDF
تعداد صفحات 38
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,Multiagent Systems,Systems and Control,یادگیری ماشین , یادگیری ماشین , سیستم های چند منظوره , سیستم ها و کنترل ,
توضیحات Submitted 4 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 4 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Multi-output Gaussian process (MGP) is commonly used as a transfer learning method to leverage information among multiple outputs. A key advantage of MGP is providing uncertainty quantification for prediction, which is highly important for subsequent decision-making tasks. However, traditional MGP may not be sufficiently flexible to handle multivariate data with dynamic characteristics, particularly when dealing with complex temporal correlations. Additionally, since some outputs may lack correlation, transferring information among them may lead to negative transfer. To address these issues, this study proposes a non-stationary MGP model that can capture both the dynamic and sparse correlation among outputs. Specifically, the covariance functions of MGP are constructed using convolutions of time-varying kernel functions. Then a dynamic spike-and-slab prior is placed on correlation parameters to automatically decide which sources are informative to the target output in the training process. An expectation-maximization (EM) algorithm is proposed for efficient model fitting. Both numerical studies and a real case demonstrate its efficacy in capturing dynamic and sparse correlation structure and mitigating negative transfer for high-dimensional time-series data. Finally, a mountain-car reinforcement learning case highlights its potential application in decision making problems.

چکیده به فارسی (ترجمه ماشینی)

فرآیند گاوسی چند دهانه (MGP) معمولاً به عنوان یک روش یادگیری انتقال برای بهره گیری از اطلاعات در بین خروجی های متعدد استفاده می شود.یک مزیت اصلی MGP ارائه کمیت عدم اطمینان برای پیش بینی است که برای کارهای تصمیم گیری بعدی بسیار مهم است.با این حال ، MGP سنتی ممکن است به اندازه کافی انعطاف پذیر نباشد تا داده های چند متغیره با خصوصیات پویا ، به ویژه در هنگام برخورد با همبستگی های زمانی پیچیده.علاوه بر این ، از آنجا که برخی از خروجی ها ممکن است فاقد همبستگی باشند ، انتقال اطلاعات در بین آنها ممکن است منجر به انتقال منفی شود.برای پرداختن به این موضوعات ، این مطالعه یک مدل MGP غیر ثابت را ارائه می دهد که می تواند همبستگی پویا و پراکنده بین خروجی ها را ضبط کند.به طور خاص ، عملکردهای کواریانس MGP با استفاده از پیچیدگی توابع هسته متغیر زمان ساخته می شوند.سپس یک سنبله و اسلاید پویا در پارامترهای همبستگی قرار می گیرد تا به طور خودکار تصمیم بگیرد که کدام منابع در مورد خروجی هدف در فرآیند آموزش آموزنده هستند.یک الگوریتم انتظار حداکثر (EM) برای اتصالات مدل کارآمد ارائه شده است.هر دو مطالعه عددی و یک مورد واقعی ، اثربخشی آن را در ضبط ساختار همبستگی پویا و پراکنده و کاهش انتقال منفی برای داده های سری زمانی بالا نشان می دهد.سرانجام ، یک مورد یادگیری تقویت کننده کوهستان ، کاربرد بالقوه خود را در مشکلات تصمیم گیری برجسته می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.