研究人员开发了一种新的导数高斯过程（GP）方法，该方法显著降低了纳入梯度观测值的计算成本。该方法每梯度仅使用两个方向的预算，专注于对目标预测的直接和间接贡献。当与Vecchia近似相结合时，该方法在实现与现有精确梯度缩减技术相当的准确性的同时，所需的时间和内存大大减少，甚至优于仅函数GP基线。 AI
影响 这项研究可能导致更高效、更准确的机器学习代理模型，并可能影响需要复杂模拟或优化的领域。
排序理由 详细介绍高斯过程新方法的学术论文。[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 →
完整方法见我们的编辑标准。
arXiv:2610.10428v1 Announce Type: cross Abstract: Gradient observations promise more accurate Gaussian process (GP) surrogates, but the cost of incorporating them has long stood in the way of realizing that promise. We propose a derivative GP with a budget of just two directions …