Robust Bayesian transfer learning between Kalman filters

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F19%3A00510186" target="_blank" >RIV/67985556:_____/19:00510186 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/MLSP.2019.8918783" target="_blank" >http://dx.doi.org/10.1109/MLSP.2019.8918783</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/MLSP.2019.8918783" target="_blank" >10.1109/MLSP.2019.8918783</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Robust Bayesian transfer learning between Kalman filters

Popis výsledku v původním jazyce

Bayesian transfer learning typically requires complete specification of the stochastic dependence between source and target domains. Fully probabilistic design-based Bayesian transfer learning---which transfers source knowledge in the form of a probability distribution-obviates these restrictive assumptions. However, this approach has suffered from negative transfer when the source knowledge is imprecise. We propose a scale variable relaxation to transfer all source moments successfully, achieving robust transfer (i.e. rejection of imprecise source knowledge). A recursive algorithm is recovered via local variational Bayes approximation. The solution offers positive transfer of precise source knowledge, while rejecting it when imprecise. Experiments show that the technique is competitive with or equivalent to alternative methods.

Název v anglickém jazyce

Robust Bayesian transfer learning between Kalman filters

Popis výsledku anglicky

Bayesian transfer learning typically requires complete specification of the stochastic dependence between source and target domains. Fully probabilistic design-based Bayesian transfer learning---which transfers source knowledge in the form of a probability distribution-obviates these restrictive assumptions. However, this approach has suffered from negative transfer when the source knowledge is imprecise. We propose a scale variable relaxation to transfer all source moments successfully, achieving robust transfer (i.e. rejection of imprecise source knowledge). A recursive algorithm is recovered via local variational Bayes approximation. The solution offers positive transfer of precise source knowledge, while rejecting it when imprecise. Experiments show that the technique is competitive with or equivalent to alternative methods.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA18-15970S" target="_blank" >GA18-15970S: Optimální zpracování externí stochastické znalosti vyjádřené pomocí pravděpodobnostních distribucí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

PROCEEDINGS OF MLSP 2019 : IEEE 29th International Workshop on Machine Learning for Signal Processing

ISBN

978-1-7281-0824-7

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

19

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Pittsburgh

Datum konání akce

13. 10. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—