实体
Deep Gaussian Processes
Deep Gaussian Processes
PulseAugur coverage of Deep Gaussian Processes — every cluster mentioning Deep Gaussian Processes across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的贝叶斯框架集成了高斯过程模型降维功能
研究人员开发了一个新的贝叶斯框架，旨在解决高维输入的高斯过程（GP）建模的挑战。与传统的两阶段方法不同，这种新颖的方法将降维直接集成到GP建模和推理过程中。该框架利用具有Stiefel流形上先验的层次贝叶斯模型来确保投影矩阵的正交性，并通过Hamiltonian Monte Carlo实现后验推理。还提出了一个结合了内置降维的深度高斯过程（DGP）的扩展，为复杂数据集提供了更大的灵活性。虽然该方法需要更多的计算资源，但它展示了改进的预…
-
新研究论文介绍了用于有向无环图的深度高斯过程
研究人员开发了专门为有向无环图（DAGs）设计的深度高斯过程（DGPs）。这种新方法解决了在DAGs上重建、传播不确定性以及对部分观测过程进行推理的挑战，这些在因果建模和基因调控网络等领域很常见。该工作包括对先验崩溃行为和图拓扑影响的理论分析，以及用于提高准确性和可解释性的结构化变分近似。在蛋白质信号网络和重离子碰撞模拟等任务上的实证验证显示了最先进的性能。
-
新的OM-Path方法改进了深度高斯过程推理
研究人员推出了一种用于深度高斯过程（DGP）近似推理的新方法OM-Path。该方法将推理视为后验传输，学习一个确定性采样器将参考测度映射到诱导变量。OM-Path利用Onsager-Machlup作用作为路径正则化器，并在特定大型数据集上显示出比DBVI等现有方法有统计学上的显著改进，尽管在较小、噪声较大的数据集上表现相当。