一篇新发表在arXiv上的论文评估了在高斯过程（GPs）超参数优化中使用最大似然估计（MLE）的脆弱性。研究强调，尽管GPs常用于工程设计且通常被认为具有鲁棒性，但如果其基本假设不满足，MLE可能导致泛化能力差。该论文提出了改进GPs准确性和鲁棒性的实用解决方案，并在贝叶斯优化等下游任务中展示了其有效性，表明它们在预测准确性和不确定性量化方面可以超越表格基础模型。 AI
影响 为构建更准确、更鲁棒的高斯过程提供了实用解决方案，有望提高贝叶斯优化和其他设计任务的性能。
排序理由 关于特定机器学习技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
