On the Use of Gradient Information in Gaussian Process Quadratures
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F16%3A43929116" target="_blank" >RIV/49777513:23520/16:43929116 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/MLSP.2016.7738903" target="_blank" >http://dx.doi.org/10.1109/MLSP.2016.7738903</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/MLSP.2016.7738903" target="_blank" >10.1109/MLSP.2016.7738903</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
On the Use of Gradient Information in Gaussian Process Quadratures
Popis výsledku v původním jazyce
Gaussian process quadrature is a promising alternative Bayesian approach to numerical integration, which offers attractive advantages over its well-known classical counterparts. We show how Gaussian process quadrature can naturally incorporate gradient information about the integrand. These results are applied for the design of transformation of means and covariances of Gaussian random variables. We theoretically analyze connections between our proposed moment transform and the linearization transform based on Taylor series. Numerical experiments on common sensor network nonlinearities show that adding gradient information improves the resulting estimates.
Název v anglickém jazyce
On the Use of Gradient Information in Gaussian Process Quadratures
Popis výsledku anglicky
Gaussian process quadrature is a promising alternative Bayesian approach to numerical integration, which offers attractive advantages over its well-known classical counterparts. We show how Gaussian process quadrature can naturally incorporate gradient information about the integrand. These results are applied for the design of transformation of means and covariances of Gaussian random variables. We theoretically analyze connections between our proposed moment transform and the linearization transform based on Taylor series. Numerical experiments on common sensor network nonlinearities show that adding gradient information improves the resulting estimates.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the IEEE International Workshop on Machine Learning for Signal Processing 2016
ISBN
978-1-5090-0746-2
ISSN
2161-0363
e-ISSN
—
Počet stran výsledku
6
Strana od-do
1-6
Název nakladatele
IEEE
Místo vydání
Salermo
Místo konání akce
Salerno, Italy
Datum konání akce
13. 9. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000392177200095