English(EN) Information-Based Calibration of Uncertainty Quantification in Product-of-Experts Gaussian Process Models

新的高斯过程模型增强不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

研究人员开发了 GP-pro-c，这是一种新的产品专家高斯过程（GP）模型，旨在改进不确定性量化。该模型通过利用 GP 中信息增益的单调性和次模性来校准后验方差，减少了在局部专家基于不相交的数据子集进行训练时可能发生的方差高估。实验表明，与未经校准的模型相比，GP-pro-c 在负对数似然和预期归一化校准误差方面取得了显著降低，同时保持了预测准确性和计算效率。这种方法为可扩展高斯过程模型中的不确定性估计提供了一个有前途的解决方案，可能使具有大规模数据集的贝叶斯优化等应用受益。 AI

影响改进了可扩展高斯过程模型中的不确定性估计，可能使贝叶斯优化受益。

排序理由该集群包含一篇详细介绍高斯过程模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 23 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍高斯过程模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yean Hoon Ong, Paolo Barucca, Wei Pan, Jun Wang · 2026-09-01 04:00

基于信息的产品专家高斯过程模型不确定性量化校准

arXiv:2608.29349v1 Announce Type: new Abstract: Gaussian process (GP) regression with a single global GP (GP-glo) incurs cubic computational cost, limiting scalability to large datasets. Product-of-experts GP models (GP-pro), which combine local GP models to capture global correl…

本文如何被排名

报道来源 [1]

基于信息的产品专家高斯过程模型不确定性量化校准

相关实体

相关话题