入力バイアス補正付きガウス過程回帰

- 本論文は、Gaussian process (GP) regression において入力（例：mobile sensor の pose 推定値）が誤っている場合に、より良い入力推定が後から得られたときに記録済みの GP を数値効率的に補正する枠組みを提案する。 - 提案手法は bias-aware GP (Ba-GP) と呼ばれ、記録された GP posterior-mean gradient を用いて入力 bias と noise を mean および covariance の補正へ伝播する。 - 得られる additive covariance 構造を利用し、一次近似の効率的補正アルゴリズムを導出する。 - 対象は mobile sensor による scalar field mapping（例：屋内 light-intensity mapping）である。

- 従来の GP regression は入力が既知で、不確実性は measurement のみに由来すると仮定する。 - 本論文は、dead-reckoning などの誤った pose 推定で学習された GP を、後から得られるより良い入力推定で補正する点を扱う。 - noisy-input GP baselines と比較して、予測精度と不確実性の calibration を改善する。 - full GP retraining と比べて計算コストを order-of-magnitude で削減する点が特徴である。

- 記録済みの GP posterior-mean gradient を利用し、入力 bias と noise の推定値を mean 補正および covariance 補正へ伝播する。 - 補正後の covariance が additive 構造になることを利用し、数値効率の良い first-order correction algorithms を構築する。 - これにより full GP retraining を避けつつ、入力誤差を考慮した補正を行う。 - 詳細な数式やアルゴリズムの具体的構成は要旨からは不明。

- simulation study と indoor light-intensity mapping experiment により検証している。 - 評価は noisy-input GP baselines との比較で行われ、予測精度と uncertainty calibration の改善を示す。 - 計算コストについても full GP retraining に対する order-of-magnitude の削減を示す。 - 具体的なデータセット名や評価指標の詳細は要旨からは不明。

- 入力 bias と noise の推定を posterior-mean gradient に基づき一次近似で補正するため、近似の妥当性や適用範囲が議論の対象になり得る。 - 数値効率と精度のトレードオフ、full retraining との比較条件、実環境での pose 推定誤差の影響などが考えられる。 - ただし要旨に明示的な議論の記載はなく、詳細は要旨からは不明。

- noisy-input GP（入力に noise を考慮する GP regression）の関連研究。 - dead-reckoning や mobile sensor の pose estimation に関する研究。 - Gaussian process の incremental update / online update や efficient retraining に関する手法。 - scalar field mapping および light-intensity mapping の先行研究。 - 要旨で直接参照されている個別論文は不明。