研究人员开发了一个自适应多分辨率高斯过程框架，旨在提高概率机器学习模型的可扩展性和保真度。这种新方法使用直接锚定在样本上的自适应多分辨率基函数来构建自然数据稀疏的协方差矩阵。该框架能够以 O(n log^2 n) 的训练成本和 O(log^d n) 的预测成本进行精确推理，为高保真高斯过程回归提供了一种原则性的方法。 AI
影响 这项研究可以为机器学习应用中的大型数据集实现更有效、更准确的建模。
排序理由 该集群包含一篇详细介绍概率机器学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- adaptive multi-resolution Gaussian process
- arXiv
- Cholesky inverse algorithm
- covariance matrix
- Gaussian Processes
- kriging
- multi-resolution basis functions
- Probabilistic machine learning and artificial intelligence
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
