We address two types of questions in this research: to infer unknown function values of interest with partial and noisy observations, and to decide the location of the next observation, which maximizes the information gain in terms of optimization. Particularly, unknown functions are modeled by Gaussian processes given certain conditions, usually a set of latent variables. This framework is applied into i) 3D reconstruction with cross-sectional 2D images by Piecewise-smooth Markov Random Field; ii) feasibility determination of correlated systems for constrained optimization; and iii) machine learning model selection by estimating their learning curves, which are possibly correlated. The proposed models for each problem show that i) the models have enough expressiveness power, which overcome the limitation of plain Gaussian models; ii) the corresponding inference can be done in an efficient manner; and iii) the sequential decisions based on the models show the superior performance than existing methods.
본 논문에서는 부분적이고 노이즈가 섞인 데이터에서 알려지지 않은 함수값들을 추론하는 것과 그 추론을 기반으로 한 다음 탐사점의 선택을 최적화의 측면에서 다룬다. 특히 특정 상황에서 가우시안 확률과정을 갖는 모델링 방법이 어떻게 각 문제들에 효율적으로 적용될 수 있는지 논의한다. 이 방법론은 다음 세가지 문제들에 적용된다. 1) 단면 2D 영상들로부터 3D 공간을 경계면이 선명 하도록 마코프 확률장으로 복원하는 것. 2) 상호 상관있는 시스템들의 유효성을 각각 판별하는 것. 3) 주어진 여러 기계학습 모델들에서 순차적인 단위 예산을 배분하면서 가장 좋은 모델을 찾는 것. 각각의 연구들은 제안하는 방법론이 일반적인 가우시안 확률 모델보다 문제들을 표현하기에 더 높은 표현력을 갖고 있고, 그 모델을의 추론이 효율적으로 이루어 질 수 있고, 그 모델을 바탕으로 한 순차적인 의사결정이 기존의 방법들보다 더 나은 성능을 갖는 것을 보인다.
