研究人员引入了广义马瑟隆变分隐式过程（GMVIP），这是一个新颖的变分族，专为具有隐式过程先验的后验推理而设计。这些先验通常通过贝叶斯神经网络或随机模拟器等机制定义，通常缺乏可访问的函数空间密度。GMVIP通过构建校正的路径wise方法来构造后验样本，从而解决了这个问题，并保留了原始隐式过程的结构和变异性。在回归、分类和时间序列预测任务上的实验表明，GMVIP与现有方法相比具有竞争力，特别是在利用模拟器定义的和检索条件化的经验轨迹先验时。 AI
影响 引入了一种新的变分推理技术，可以提高使用隐式过程先验的模型的准确性和灵活性。
排序理由 该项目是一篇详细介绍贝叶斯推理新方法的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- Bayesian Neural Networks
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Gaussian Process Priors with Uncertain Inputs Application to Multiple-Step Ahead Time Series Forecasting
- Generalized Matheron Variational Implicit Processes
- GMVIP
- Gotit.pub
- Hugging Face
- IArxiv Recommender
- Influence Flower
- Kullback--Leibler divergence
- Litmaps
- Matheron Variational Implicit Processes
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
