Bayesian transfer learning between Gaussian process regression tasks
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F19%3A00517961" target="_blank" >RIV/67985556:_____/19:00517961 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/ISSPIT47144.2019.9001885" target="_blank" >http://dx.doi.org/10.1109/ISSPIT47144.2019.9001885</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ISSPIT47144.2019.9001885" target="_blank" >10.1109/ISSPIT47144.2019.9001885</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Bayesian transfer learning between Gaussian process regression tasks
Popis výsledku v původním jazyce
Bayesian knowledge transfer in supervised learning scenarios often relies on a complete specification and optimization of the stochastic dependence between source and target tasks. This is a critical requirement of completely modelled settings, which can often be difficult to justify. We propose a strategy to overcome this. The methodology relies on fully probabilistic design to develop a target algorithm which accepts source knowledge in the form of a probability distribution. We present this incompletely modelled setting in the supervised learning context where the source and target tasks are to perform Gaussian process regression. Experimental evaluation demonstrates that the transfer of the source distribution substantially improves prediction performance of the target learner when recovering a distorted nonparametric function realization from noisy data.
Název v anglickém jazyce
Bayesian transfer learning between Gaussian process regression tasks
Popis výsledku anglicky
Bayesian knowledge transfer in supervised learning scenarios often relies on a complete specification and optimization of the stochastic dependence between source and target tasks. This is a critical requirement of completely modelled settings, which can often be difficult to justify. We propose a strategy to overcome this. The methodology relies on fully probabilistic design to develop a target algorithm which accepts source knowledge in the form of a probability distribution. We present this incompletely modelled setting in the supervised learning context where the source and target tasks are to perform Gaussian process regression. Experimental evaluation demonstrates that the transfer of the source distribution substantially improves prediction performance of the target learner when recovering a distorted nonparametric function realization from noisy data.
Klasifikace
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)
Návaznosti výsledku
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
Ostatní
Rok uplatnění
2019
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 Symposium on Signal Processing and Information Technology 2019 (ISSPIT 2019)
ISBN
978-1-7281-5341-4
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
—
Název nakladatele
IEEE
Místo vydání
Piscataway
Místo konání akce
Ajman
Datum konání akce
9. 12. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000568621300052