Machine learningMachine learning
アンサンブルガウス過程
アンサンブルガウス過程は、複数の独立したGPエキスパートをデータサブセットまたは重複領域で訓練し、それらの事後予測（平均と分散）を単一の確率的予測に結合します。このアプローチは、標準GPの持つ較正された不確実性推定を維持しつつ、そのO(n³)の3次コストボトルネックを克服し、数千から数百万の観測値を持つデータセットに対して実用的な確率的回帰を可能にします。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Tresp, V. (2000). A Bayesian Committee Machine. Neural Computation, 12(11), 2719–2741. DOI: 10.1162/089976600300014908 ↗
- Deisenroth, M. P., & Ng, J. W. (2015). Distributed Gaussian Processes. Proceedings of the 32nd International Conference on Machine Learning (ICML), PMLR 37, 1481–1490. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Ensemble of Gaussian Processes (Committee / Distributed GP). ScholarGate. https://scholargate.app/ja/machine-learning/ensemble-gaussian-process
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →