Deep Kernel Learning
PulseAugur coverage of Deep Kernel Learning — every cluster mentioning Deep Kernel Learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究揭示了先验数据拟合网络中的谱结构
两篇新研究论文探讨了先验数据拟合网络（PFNs）的内部机制，这是一种表格基础模型。第一篇论文提供了机械证据，表明PFNs捕获与其上下文相关的谱结构，这些结构可以被解码为高斯过程回归的显式核。第二篇论文研究了PFNs如何摊销贝叶斯推理，发现它们通常能很好地恢复目标后验预测分布，但在罕见情况下可能表现出残差误差，这可以通过贝叶斯模型平均来缓解。
-
深度核学习通过精确的对手轨迹预测增强自主赛车性能
研究人员开发了一种新的方法，使用深度核学习（DKL）来预测自主赛车中不确定对手车辆的轨迹。该方法利用异构核度量来捕捉不同的驾驶策略，并提供具有相关不确定性的准确预测。在1/10比例赛车平台上的实验表明，预测精度有所提高，能够实现更安全的超车机动。该方法对于车载系统来说也具有计算效率。
-
新的贝叶斯优化方法自适应电路表示以加速搜索
研究人员开发了一个名为 TTARO 的新贝叶斯优化框架，旨在提高模拟电路拓扑搜索的效率。TTARO 通过联合学习特征变换和高斯过程代理模型，在优化过程中实时自适应电路表示。与使用固定表示的方法相比，这种持续的自适应能更有效地将搜索空间与优化目标对齐。实验表明，与标准贝叶斯优化相比，TTARO 的遗憾 AUC 平均降低了 15.2%，与深度核学习相比降低了 20.7%。
-
AI利用进化搜索发现新的材料处理协议
研究人员开发了一种新颖的闭环工作流程，结合了进化搜索和不确定性感知深度核学习，以发现新的材料处理协议。该方法应用于铁电薄膜，成功识别出通过激活特定畴壁片段来增强非线性机电响应的波形家族。该框架被提出作为一种可推广的方法，用于各种科学和工程领域（包括合成、退火和电池形成）的非分布外发现。
-
深度核学习利用电子健康记录数据对青光眼患者风险轨迹进行分层
研究人员开发了一种新的深度核学习架构，以利用电子健康记录对青光眼患者风险进行分层。该模型采用基于Transformer的特征提取器和临床BERT嵌入来分析患者轨迹。该方法成功识别了三个不同的患者亚组，特别区分了疾病进展和当前严重程度，这可能有助于临床决策支持和靶向干预。