研究人员开发了一个新的框架，用于创建高斯过程（GPs）的可扩展和灵活的协方差核。该方法使用深度神经网络架构和源自Vecchia近似的回归型参数化直接学习协方差结构。该方法利用受Vecchia分解中排列等变结构启发的排列保持函数，以增强训练稳定性和数据效率。 AI
影响 引入了一种学习高斯过程协方差结构的新颖框架，有可能提高机器学习应用的可扩展性和数据效率。
排序理由 该集群包含一篇arXiv预印本，详细介绍了使用深度神经网络的高斯过程新颖框架。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.05523v1 Announce Type: cross Abstract: We introduce a novel framework for constructing scalable and flexible covariance kernels for Gaussian processes (GPs) by directly learning the covariance structure under a regression-type parameterization induced by Vecchia approx…
We introduce a novel framework for constructing scalable and flexible covariance kernels for Gaussian processes (GPs) by directly learning the covariance structure under a regression-type parameterization induced by Vecchia approximations, using deep neural architectures. Specifi…