新的因子图方法提高了高斯过程回归的可扩展性

作者 PulseAugur 编辑部 · [2 个来源] · 2026-08-12 10:52

研究人员开发了一种新颖的因子图方法来解决多输出高斯过程回归中的可扩展性挑战。这种新方法将回归问题表示为因子图，通过高斯消息传递实现高效的后验计算。该公式在数据样本数量和缺失观测值方面具有良好的可扩展性，在速度和准确性方面优于传统的核矩阵和稀疏变分方法，尤其是在时间序列预测任务中。 AI

影响这种新公式为复杂的回归任务提供了一种更具可扩展性和准确性的方法，可能影响时间序列预测和科学建模等领域。

排序理由该集群包含一篇详细介绍机器学习问题新方法论的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Wouter W. L. Nuijten, Esther G. van Pelt, Albert Podusenko, \.Ismail \c{S}en\"oz, Wouter M. Kouw · 2026-08-13 04:00

一种用于可扩展多输出高斯过程回归的因子图方法

arXiv:2608.11917v1 Announce Type: new Abstract: Multi-output Gaussian process regression scales cubically in the number of observations times outputs, and dense kernel-matrix methods need bespoke handling whenever different outputs are observed at different inputs. We express mul…
Hugging Face Daily Papers TIER_1 English(EN) · 2026-08-12 10:52

一种用于可扩展多输出高斯过程回归的因子图方法

Multi-output Gaussian process regression scales cubically in the number of observations times outputs, and dense kernel-matrix methods need bespoke handling whenever different outputs are observed at different inputs. We express multi-output Gaussian process regression as a Forne…