Gaussian process
PulseAugur coverage of Gaussian process — every cluster mentioning Gaussian process across labs, papers, and developer communities, ranked by signal.
15 天有情绪数据
-
贝叶斯优化框架增强了材料科学中遗传算法超参数的调优
研究人员开发了一个多保真度框架，用于优化晶格材料设计的遗传算法 (GA) 超参数。该框架在贝叶斯优化 (BO) 方法中结合了高保真度快速傅里叶变换 (FFT) 均质化、中保真度 3D 卷积神经网络和低保真度高斯过程。研究发现，logNEI 采集函数最有效，而惩罚性 BO 目标在保持性能的同时减少了所需晶格的数量。这种优化方法在 25 代 GA 运行中实现了与完整 75 代运行相当的弹性模量值，将计算成本降低了 24%，并消除了对晶格突变的需求。
-
新的高斯过程方法优化时变奖励
研究人员开发了一种新颖的方法，用于在频率主义设置中优化时变奖励，解决了现有高斯过程老虎机算法的局限性。所提出的 W-SparQ-GP-UCB 方法通过注入不确定性来捕捉时间变化，从而能够自适应地回归到当前时间步。虽然在纯粹的老虎机设置中，对于时变目标来说，严格的无悔是无法实现的，但该算法通过最少数量的额外查询实现了无悔。理论分析为这些查询设定了下限，证明了该方法的效率，并将时间函数模式与可实现的悔率联系起来。
-
新理论量化神经网络中的高斯过程极限 · 跟踪2个来源
研究人员利用张量程序开发了一种定量理论，用于分析随机神经网络的高斯过程极限。他们的工作提供了明确的有限宽度误差界限，详细说明了有限网络执行与其理论高斯过程极限之间在Wasserstein距离上的收敛速率。该框架被设计为与架构无关，可应用于各种神经网络设计，包括前馈、循环和Transformer类架构。
-
新指标提升LLM在药物安全报告中的因果关系评估能力
研究人员开发了一种新颖的方法来优化大型语言模型（LLMs）在药物警戒中进行因果关系评估，旨在提高识别不良药物事件的准确性。一项利用OpenAI的GPT-5.2模型和美国FDA不良事件报告系统（FAERS）的研究表明，一个特定的指标——熵加权一致性和余弦相似度得分（EWACS）——可以指导贝叶斯优化，显著提高LLM与专家的一致性。虽然温度优化并未显示出普遍效果，但针对具体案例的温度调整产生了有意义的改进，这为实现更可靠的AI辅助药物警戒指明了方向。
-
新的高斯过程框架增强组学数据分类
研究人员开发了一种新的结构化高斯过程分类框架，旨在改进复杂生物数据的分析。该方法将生物通路信息直接整合到核函数构建中，使其能够捕获组学数据中的定量测量和拓扑上下文。该框架在微生物组数据集上进行了基准测试，证明了其在性能上优于非结构化方法，并为稳健分类提供了经过校准的预测不确定性，尤其是在高维和小样本量的情况下。
-
量子核带土优化平衡表达能力与可学性
研究人员开发了使用量子核的高斯过程带土优化新方法，特别解决了嘈杂中等规模量子（NISQ）时代面临的挑战。该研究侧重于平衡量子核的表达能力与其可学性，而可学性可能因高维和复杂性而受阻。为解决此问题，该团队提出了投影量子核和经典核近似技术，这些技术在降低维度的同时保留了关键的量子特性。这些方法旨在提高样本效率并减少量子原生应用的计算开销。
-
新的AI工作流程通过代理引导生成加速材料发现
研究人员开发了一种新的材料设计工作流程，该工作流程使用高斯过程代理来有效地指导生成模型。这种方法通过智能选择候选结构，大大减少了昂贵的属性评估的需要。该系统集成了MatterGen和CrystalFlow等预训练的扩散先验以及ORB嵌入，在各种材料属性上表现出强大的性能，并已作为开源软件发布。
-
新方法优化高斯过程回归的量子核估计
研究人员开发了一种新颖的方法，用于优化高斯过程回归的量子核估计中的采样分配。该方法旨在通过根据核条目对下游任务的敏感性来智能地分配采样工作，从而减少实现目标精度所需的计算预算。所提出的方法包含一个统一覆盖底线以减轻敏感性估计中的噪声，在各种基准测试和不同的量子核上均显示出测试均方根误差（RMSE）的显著改进。
-
新的贝叶斯框架增强了气动不确定性量化
研究人员开发了一种新的贝叶斯潜在高斯过程框架，以提高气动不确定性量化的准确性。该方法使用稀疏的实验测量来校准低保真计算模型，而这些测量本身也存在不确定性。该框架有效地对输入不确定性进行边际化，并匹配输出不确定性的均值和方差，即使在推断场景中也能对气动系数进行高度准确的预测。验证表明，该模型的预测具有高保真度，落在真实不确定性区间内。
-
新定理详述核梯度流和提升中的波动
研究人员为核梯度流和无穷小梯度提升建立了函数中心极限定理。该定理详细说明了该过程在其确定性极限附近的波动，表明重缩放的偏差收敛于高斯过程。分析在再生核希尔伯特空间内进行，将提升过程表征为常微分方程的解。该方法涉及 Banach 空间中 ODE 的一般随机扰动分析，适用于其他领域，并首先在核梯度流上进行了演示，然后应用于更复杂的梯度提升设置。
-
新的高斯过程框架模拟医学图像注释偏差
研究人员开发了一个新的医学图像分割框架，该框架使用随机变分高斯过程来显式建模注释偏差和变异性。这种方法将预测分解为图像依赖分布和注释者特定扰动，从而可以更清晰地分析评分者间变异性如何影响预测分布。在多注释者数据集上的评估表明，与现有的最先进技术相比，该方法提高了不确定性校准并保持了分割精度。学习到的偏差和方差参数可以定量反映个体注释者的行为，并系统地影响预测性能。
-
新的ZOC-TN模型增强了具有边界质量的比例结果建模
研究人员引入了零一审查变换正态（ZOC-TN）模型，该模型专为可能在0和1边界处具有概率质量的比例结果而设计。该模型将审查高斯变量与内部值的仿射-logit变换相结合，与现有的基准模型相比，在密度形状方面提供了更大的灵活性。ZOC-TN模型可以扩展以整合树增强机器学习以处理非线性和交互作用，并已应用于美国住宅抵押贷款的违约损失建模，通过时空脆弱性高斯过程显示出强大的性能。
-
新的强化学习框架增强了多燃料发动机的燃烧控制
研究人员开发了一个新的强化学习框架，以改进多燃料压燃发动机的燃烧相位控制。该系统解决了燃料反应活性不确定和时变的问题，燃料反应活性通过十六烷值（CN）量化，这使得精确控制变得复杂。所提出的框架利用门控循环单元（GRU）从燃烧历史中学习燃料反应活性的紧凑表示，使控制策略能够基于此估算信号做出决策，而不是依赖于一个预知的CN值。这种方法旨在防止训练-部署不一致，并实现稳定的CA50调节，即使在CN快速变化的情况下也能实现低跟踪误差。
-
新贝叶斯优化框架通过专家输入增强生物工艺开发
研究人员开发了一个增强的“人在回路”贝叶斯优化框架，称为帕累托前沿引导采样（PFGS）。该框架允许领域专家通过将高斯过程代理派生出的量重新表述为多目标优化问题来交互式地选择最优候选者。该系统现在通过考虑满足规格限制的概率来纳入约束优化，并通过估计输入扰动下的性能下降来纳入鲁棒优化。扩展的PFGS框架在中国仓鼠卵巢（CHO）细胞培养模拟器上进行了演示，成功识别了高性能、可行且对扰动具有弹性的操作条件。
-
新的REEF-GP框架增强了神经算子不确定性量化
研究人员推出了一种新颖的神经算子事后不确定性量化框架REEF-GP。该方法将高斯过程拟合到冻结的神经算子残差上，利用其内部嵌入来创建几何感知的 umbertainty 估计。REEF-GP 结合了谱归一化投影和高效的子集训练，以确保稳定性和可扩展性，在各种 PDE 基准测试中，其校准和成本均优于深度集成，同时对几何分布变化保持鲁棒性。
-
新论文探讨高斯过程和机器学习报告中的差分隐私
两篇最新的arXiv论文探讨了机器学习中的差分隐私，重点关注高斯过程和报告机制。第一篇论文详细介绍了高斯过程后验采样固有的随机性如何提供差分隐私保证，其界限取决于正则化和后验方差。第二篇论文提倡使用非渐近高斯差分隐私（GDP）作为传达DP-SGD等算法隐私保证的更准确方法，并指出其能够以最小的误差捕获完整的隐私配置文件。
-
新型机器人导航系统使用贝叶斯优化增强规划
研究人员开发了一种新的无地图自主机器人导航框架，该框架将反应式规划与非线性模型预测控制（MPC）相结合。该系统使用基于 LiDAR 的高斯占用表示和 A* 搜索算法来生成无碰撞轨迹，然后由 MPC 公式进行跟踪。为了优化控制器参数，采用了利用树状 Parzen 估计器（TPE）和高斯过程代理的离线贝叶斯优化方案。该框架在 Unitree Go2 机器人在模拟和物理硬件上成功进行了评估，实现了 90.0% 的导航成功率，并展示了从模拟到…
-
贝叶斯主动学习提升认知实验设计
研究人员开发了一种新的贝叶斯主动学习方法用于认知实验，超越了一维适应。该方法在虚拟现实工作记忆任务中得到验证，控制两个变量：空间负荷（L）和特征绑定负荷（K）。系统使用高斯过程分类器，根据后验不确定性指导刺激采集，估计（L, K）上的表现曲面，而非单一阈值。该方法需要大约30个样本即可准确拟合模型，并揭示了空间负荷与特征绑定负荷之间相互作用的个体差异。
-
新理论解释并改进了人工智能模型的测试时训练
研究人员开发了一个决策理论框架，用于理解和改进测试时训练（TTT），这是一种将预训练模型适应特定提示的方法。新方法将TTT视为隐式贝叶斯推理，揭示了其有效性取决于更新是否与提示的信噪比相匹配以及是否与查询相关方向一致。这种理论视角解释了TTT的不稳定性，并为选择更新步骤和模型组件（如Transformer块和头）提供了原则性指导，以提高准确性并防止过拟合。
-
新框架增强了复杂量子系统的建模能力
研究人员开发了一个名为物理约束集成高斯过程（pc-EGP）的新框架，以更有效地模拟复杂的量子系统。该方法将物理约束直接纳入建模过程，并使用高斯过程模型集成来处理有噪声的模拟数据。pc-EGP框架在合成数据上进行了演示，然后应用于真实的量子系统，与标准高斯过程相比，显示出更高的准确性和物理相关性。