コンセンサスベースの再帰的マルチ出力ガウス過程

arXiv cs.LG / 2026/4/14

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、大規模・分散・ストリーミング学習シナリオにおいてマルチ出力ガウス過程を実用化するための、コンセンサスベースの再帰的マルチ出力ガウス過程（CRMGP）を提案する。
CRMGPは、共有する基底ベクトルに対する再帰的推論と、近隣ノード間のコンセンサス更新を組み合わせることで、並列で完全に分散された学習を実現し、各ステップの計算量を上限付きに抑える。
この手法は、出力間の相関を保持しつつ、較正された予測不確実性を維持することを目的としており、集中型ガウス過程モデルにありがちな導入上の制約に対処する。
合成の風況場および実データのLiDARに関する実験では、競争力のある予測精度と信頼できる不確実性の較正が示され、CRMGPがマルチエージェントセンシングのためのスケーラブルな代替手法として位置づけられる。

概要: 多出力ガウス過程は、ベクトル値場に対する原理に基づいた不確実性を考慮した学習を提供しますが、計算量が大きく集中型であるため、大規模・分散・ストリーミング環境への導入が困難です。本論文では、共有する基底ベクトルに対する再帰的推論と、近接ノード間の情報に基づくコンセンサス更新を組み合わせた、Consensus-based Recursive Multi-Output Gaussian Process（CRMGP）フレームワークを提案します。これにより、出力間の相関を維持しつつ、校正された不確実性を保ちながら、1ステップあたりの計算量を上限付きにし、並列かつ完全分散での学習を可能にします。合成の風速場および実データのLiDARに対する実験により、CRMGPが競争力のある予測性能と信頼できる不確実性キャリブレーションを達成することが示されます。これにより、多機関（マルチエージェント）センシング用途において、集中型のガウス過程モデルに代わるスケーラブルな選択肢が提供されます。