Gaussian process
PulseAugur coverage of Gaussian process — every cluster mentioning Gaussian process across labs, papers, and developer communities, ranked by signal.
- used by Bayesian optimization 80%
- used by Gotit.pub 70%
- instance of ScienceCast 70%
- used by ScienceCast 70%
- used by CatalyzeX 70%
- used by reproducing kernel Hilbert space 70%
- instance of alphaXiv 70%
- developed Markov chain Monte Carlo 70%
- competes with deep neural network 70%
- instance of reproducing kernel Hilbert space 70%
- instance of Gotit.pub 70%
- used by DagsHub 60%
16 天有情绪数据
-
新的投影LMC模型提供高效的多任务高斯过程计算
一篇新论文介绍了一种名为“投影LMC”的模型，这是一种用于线性共区域化模型（LMC）的高效且精确的计算方法。该模型是一种通用的多任务高斯过程，通常具有三次复杂度。投影LMC模型将此复杂度显著降低到与潜在过程数量成线性关系，前提是满足对噪声模型的一个温和假设。这一进展使LMC成为比现有模型更具竞争力且更易于解释的多任务高斯过程模型替代方案，有可能促进其在多任务贝叶斯优化等行业的应用。
-
新统计方法使用高斯过程进行时间序列因果推断
研究人员开发了一种新的统计方法，用于中断时间序列设计的因果推断，特别适用于治疗同时影响所有单位的情况。该方法使用高斯过程回归通过从治疗前数据外推来估计反事实，保留与历史序列一致的函数，并在外推放大分歧时扩大不确定性区间。通过模拟和对最高法院 Heller 裁决后手枪购买情况的分析证明了该方法，并提供了一个名为 'gpss' 的配套 R 包以供实现。
-
LLMs在材料优化中展现出作为获取策略的潜力
研究人员探索了使用开放权重的大型语言模型（LLMs）作为材料优化任务的获取策略。在一项对照研究中，研究人员评估了五种LLMs在四个回顾性的有限池材料优化问题上的表现。LLMs在以更少的迭代次数找到最优材料方面，普遍优于随机选择，表明它们可以在没有特定任务训练的情况下提供有用的信号。然而，与传统的Gaussian-process方法相比，它们的表现好坏参半，在某些情况下LLMs可以媲美甚至超越Gaussian processes，但在其…
-
新框架利用AI优化电磁线圈设计
研究人员开发了一个新的框架，利用代理建模和贝叶斯优化来优化电磁线圈设计。该框架将有限元法（FEM）模型与高斯过程代理相结合，根据几何、制造和质量等各种约束来评估设计。研究发现，不同的优化算法在不同的有限元评估预算下表现最佳，其中EI-BO在预算较小时改进迅速，COBYLA在早期阶段表现出色，而BOBYQA在最终响应方面达到最高。
-
新的MorphoGP框架可预测受潮汐影响的海滩剖面
研究人员开发了MorphoGP，这是一个利用非参数高斯过程方法预测受潮汐影响的平衡海滩剖面的新颖框架。该系统首先采用经过对比学习训练的ContourCluster模型来对不同的海滩形态进行分类。随后，专门的高斯过程专家分析每个类别内的环境数据以预测剖面形状，并由一个Gating Net整合这些预测。MorphoGP在中国沿海180多个剖面上进行了测试，与现有模型相比，预测误差降低了约59.3%，显示出显著的改进。
-
新的AI方法在不确定性下优化3D打印质量 · 跟踪3个来源
研究人员开发了优化熔丝制造（FFF）过程的新方法，重点是在不确定性下提高零件质量。一种方法使用贝叶斯神经网络来预测几何精度和丝材结合质量，结合模型和输入不确定性来优化喷嘴温度和速度等参数。另一篇论文提出了一个计算框架，将传热分析与烧结模型相结合，以最大化丝材结合质量，使用Sobol指数进行敏感性分析，并使用高斯过程来管理模型差异。第三项研究探讨了物理信息和混合机器学习策略，将物理知识整合到深度神经网络中，即使在实验数据有限的情况下也能…
-
地理空间基础模型的校准与分布变化敏感性评估
一篇新发表在arXiv上的研究论文探讨了地理空间基础模型（GeoFMs）的校准和分布变化敏感性。研究发现，标准的基于准确性的排名不足以评估GeoFMs，因为它们在各种分布变化下的性能和置信度会显著下降。研究表明，虽然在干净准确性或校准方面，经过地球观测（EO）预训练的模型并不优于经过ImageNet预训练的模型，但它们在分布变化下往往会变得更加过度自信。该论文提倡更全面的评估协议，包括多种条件和指标，以更好地评估GeoFM的进展和实际…
-
生成式策展框架在决策中平衡最优性和多样性
研究人员开发了一种名为生成式策展的新框架，用于决策支持系统。该方法旨在为考虑可衡量目标以外标准的决策者优化少量优秀备选项的选定。该框架将期望分解为量化性能和定性策展收益，后者以高斯宽度为特征以确保多样性。该研究引入了适用于各种动作空间的神经生成和顺序优化方法，并证明与现有基准相比，遗憾减少显著。
-
新研究改进高斯过程老虎机优化技术 · 跟踪2个来源
arXiv上的两篇新研究论文探讨了高斯过程老虎机优化方面的进展。第一篇论文侧重于随时间变化的环境，提出了一种具有恒定探索参数的方法，以实现更优的遗憾界限。第二篇论文解决了并行高斯过程老虎机优化问题，展示了如何在不要求初始不确定性采样阶段的情况下，尤其是在无噪声设置中，实现更优的遗憾界限。
-
新的机器学习方法融合物理学和数据以改进敏感性分析
研究人员开发了新的物理信息机器学习策略，通过有效地结合基于物理的模型和实验数据来改进全局敏感性分析（GSA）。该研究探讨了两种机器学习技术：深度神经网络（DNN）和高斯过程（GP）建模，以及两种整合物理知识的方法：在损失函数中强制执行物理约束，以及使用模拟数据进行预训练，然后使用实验数据进行更新。结果表明，与GP模型相比，基于DNN的模型在敏感性估计上提供了更小的界限，并在增材制造和湖泊温度建模中展示了应用。
-
统一信息与奖励规划增强机器人火星探索
研究人员开发了一种新的火星机器人探索方法，该方法统一了信息收集和奖励寻求目标。这种方法称为基于预期自由能（EFE）的规划，它使用高斯过程来维护信息场上的信念，并规划在路径长度约束下最小化EFE的轨迹。结果表明，该方法同时生成了精确的地图并识别了高价值区域，优于现有的信息论基线。
-
最新研究强调了高斯过程超参数优化中最大似然估计的脆弱性
一篇新发表在arXiv上的论文评估了在高斯过程（GPs）超参数优化中使用最大似然估计（MLE）的脆弱性。研究强调，尽管GPs常用于工程设计且通常被认为具有鲁棒性，但如果其基本假设不满足，MLE可能导致泛化能力差。该论文提出了改进GPs准确性和鲁棒性的实用解决方案，并在贝叶斯优化等下游任务中展示了其有效性，表明它们在预测准确性和不确定性量化方面可以超越表格基础模型。
-
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%。
-
新的贝叶斯框架通过去除EOV改进结构健康监测
研究人员开发了一种新颖的贝叶斯框架用于结构健康监测（SHM），该框架可同时识别和去除环境与运行变异性（EOV）。该方法将潜在EOV建模为高斯过程，通过卡尔曼滤波器和拉普拉斯近似实现高效推理。该方法在实验室结构和模拟海上风电场上进行了验证，与现有技术相比，证明了改进的损伤检测和EOV恢复能力。
-
贝叶斯优化可有效找到大型语言模型中的强大专家
研究人员开发了一种使用贝叶斯优化方法，可以高效地识别大型语言模型中强大的单一专家，这一过程被称为无梯度后训练。该方法将贝叶斯优化应用于权重空间的随机线性嵌入中，并使用高斯过程代理，无需反向传播。在Qwen2.5-Instruct模型上的推理基准测试表明，该方法在候选评估次数显著减少的情况下，取得了与RandOpt相当或更优的结果，降低了后训练成本，同时产生了更强大的可部署模型。
-
新型多任务扫描探针显微镜可自主选择测量
研究人员开发了一种名为多任务扫描探针显微镜的新方法，该方法使用高斯过程自主选择下一个测量位置和实验方案。这种闭环工作流程在一个自动化的原子力显微镜上实现，并在 AlScN 晶圆上进行了演示。该方法将快速、扰动较小的成像与较慢、更详细的测量相结合，扩展了扫描探针显微镜中的主动学习。
-
新方法 Adaptive KappaSharp 增强了偏好贝叶斯优化
研究人员开发了 Adaptive KappaSharp，一种提高偏好贝叶斯优化 (PBO) 效率的新方法。PBO 用于基于用户成对比较来优化目标。新技术解决了标准方法中由于孤立的比较组件可能导致 Hessian 矩阵秩亏损的问题。Adaptive KappaSharp 对 Hessian 应用了对角线校正，特别是在先验不确定性较高的区域，并且仅在代理模型对近期比较有信心时激活此校正。该方法在 11 个基准测试中表现出更高的性能，比标准…
-
新型SGP-RI模型支持物联网设备的去中心化室内定位
研究人员开发了一种基于稀疏高斯过程和降维输入（SGP-RI）模型的去中心化室内定位框架。该方法允许物联网（IoT）设备在较小的服务区域内执行实时定位和再训练，并能快速适应不断变化的环境。实验表明，SGP-RI在使用的训练数据不到一半的情况下，可以实现与标准高斯过程相当的定位性能。
-
神经符号控制架构提升激光粉末床熔融质量
研究人员开发了一种新颖的神经符号闭环控制架构，用于激光粉末床熔融（LPBF）增材制造。该系统将符号推理与统计学习相结合，利用内嵌本体将工艺目标和约束转化为预测控制器的可操作目标。该架构通过将不可测量的工艺参数映射到可观察的参数，有效地管理了悬垂熔渣等质量限制，证明了其可行性以及适应新材料和约束的潜力。
-
张量补全加速材料科学中晶格结构设计
研究人员开发了一种新方法，使用张量补全作为代理模型来加速具有特定机械性能的最优晶格结构的设计。该方法解决了材料设计中的挑战，在这些挑战中，由于实验便利性，训练数据通常是非均匀采样的。实验表明，在有偏采样的情况下，张量补全的性能优于高斯过程和XGBoost等传统机器学习方法，R^2得分约高5%。该技术在跨设计空间的均匀随机采样方法方面也表现出相当的性能。