On the Use of Gradient Information in Gaussian Process Quadratures

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>

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.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

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)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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