研究人员开发了一个新的贝叶斯框架，旨在解决高维输入的高斯过程（GP）建模的挑战。与传统的两阶段方法不同，这种新颖的方法将降维直接集成到GP建模和推理过程中。该框架利用具有Stiefel流形上先验的层次贝叶斯模型来确保投影矩阵的正交性，并通过Hamiltonian Monte Carlo实现后验推理。还提出了一个结合了内置降维的深度高斯过程（DGP）的扩展，为复杂数据集提供了更大的灵活性。虽然该方法需要更多的计算资源，但它展示了改进的预测性能和不确定性量化。 AI
影响 为机器学习应用中处理高维数据提供了一种更符合原则且更稳健的方法。
排序理由 详细介绍新的统计建模框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Deep Gaussian Processes
- Eric Herrison Gyamfi
- Gaussian process
- Hamiltonian Monte Carlo
- Stiefel manifold
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
