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 90%
- instance of GP-UCB 90%
- used by DagsHub 70%
- affiliated with Bayesian optimization 70%
- used by Gotit.pub 70%
- developed Bayesian optimization 70%
- used by ScienceCast 70%
- used by alphaXiv 70%
- instance of ScienceCast 70%
- instance of alphaXiv 70%
- used by CatalyzeX 70%
- developed Markov chain Monte Carlo 70%
10 天有情绪数据
-
新的高斯过程方法处理高维空间数据
研究人员推出了一种新颖的贝叶斯残差树高斯过程（ResTGP）方法，该方法旨在处理具有复杂结构的大型高维空间数据集。该方法将高斯过程分解到二进树上，从而实现高效的多尺度分析和分治策略。通过递归消息传递，该方法在贝叶斯推理方面实现了与样本量成线性扩展的能力，并在数值示例和风暴潮应用中显示出优势。
-
新的推理方法增强了高斯过程模型的不确定性估计
研究人员开发了一种名为“分摊结构随机变分推理”的新方法，以改进高斯过程潜在变量模型（GP-LVMs）。该技术通过允许一个更灵活的、条件依赖于诱导点的变分后验，来增强模型捕获认知不确定性的能力。改进后的后验能更好地重建学习流形上的数据点，这在与人类姿态估计相关的实验中得到了证明。
-
新的神经物理逆模型框架增强了地球物理数据分析
研究人员开发了神经物理逆模型（NPI），一个专为地球物理反演设计的新型框架，特别适用于磁大地电场（MT）数据。该模块化系统集成了基于集成的条件化与残差学习，利用高斯过程和神经网络来提高准确性并量化不确定性。在合成数据上的初步测试表明，NPI能够在不影响结果可靠性的前提下减少误差，并且将其应用于内华达州加布斯谷地热区的真实世界数据时，也显示出可比的不确定性减少。
-
新的校准方法提高了神经架构搜索的效率
研究人员开发了一种名为在线一致性校准（OCC）的新方法，以提高硬件感知神经架构搜索（NAS）的效率。传统的NAS方法成本高昂，因为它们需要训练每一个架构来评估其性能。OCC是conformal prediction的扩展，它使用自适应反馈控制来维持所需的一致性覆盖水平，确保指定比例的候选架构不会被错误地丢弃。这种方法在不牺牲准确性的情况下，显著减少了所需的评估次数，修剪了25-50%的候选架构，并且与静态方法或高斯过程基线相比，提供了…
-
新的ACPNN框架为图像回归模型提供自适应不确定性估计
研究人员开发了自适应一致性预测（ACPNN），这是一个新的框架，旨在为图像回归模型提供输入相关的（input-dependent）不确定性估计。该方法利用邻近样本的信息来局部调整不确定性量化，使其适用于模型输出影响关键决策的高风险应用。ACPNN在用于模拟惯性约束聚变模拟的扩散模型上进行了演示，显示了其在提供可靠和自适应不确定性估计方面的有效性。
-
新框架提升MLLM处理长视频的效率 · 跟踪3个来源
研究人员开发了新的方法来提高多模态大型语言模型（MLLMs）在处理长视频时的效率。FORTE 使用自适应评分和高斯过程来选择与问题相关的帧，平衡预测的相关性与时间覆盖范围。视频证据索引（VEI）采用一种策略，利用视频预览和特权自蒸馏来学习定位相关时刻并规划预算分配。FocusGraph 利用场景图 LLM 选择器和图结构帧选择来识别具身智能体的关键帧，降低推理成本。
-
新的GPEC方法以最小的开销增强了LLM心脏视频字幕生成
研究人员开发了GPEC，一种新颖的方法，用于增强多模态大型语言模型（MLLM）在心脏视频字幕生成等专业领域的性能。GPEC通过在LLM之前插入一个校正层来工作，该校正层优化视觉表示，使其更好地与结构化视频注释对齐。这种方法在最近的arXiv论文中有所详细介绍，它以最小的计算开销提高了字幕的相似性和内容准确性，避免了对VideoChat2等现有模型进行端到端微调的需要。
-
新方法使用预取值（prequential e-values）为GP优化提供可审计的近最优性证书
研究人员开发了一种新方法，使用预取值（prequential e-values）为顺序黑盒函数优化中的近最优解创建可审计的证书。该方法解决了在认证结果之前，根据自适应评估调整高斯过程（GP）包络的常见做法，这种做法可能导致过度自信。通过用其自身的e-过程测试候选包络并消除被反驳的包络，该方法在特定条件下确保了随时有效性，显著降低了错误认证的风险，同时保持了效力。
-
FORTE框架增强了MLLMs在长视频问答中的能力
研究人员开发了FORTE，一个旨在改进多模态大语言模型（MLLMs）处理长视频以进行问答任务的新框架。FORTE采用两阶段方法：自适应相关性评分和全局关键帧优化。自适应评分使用高斯过程高效预测帧相关性，平衡了探索有前景区域与探索代表性不足的时间区域的需求。优化阶段通过最大化考虑测量相关性和时间覆盖率的目标来选择最终关键帧，在基准测试中取得了卓越的准确性。
-
新的TGL-NSGA-II框架增强了TinyML神经网络架构搜索
研究人员开发了一个名为教师引导学习NSGA-II（TGL-NSGA-II）的新框架，以提高进化优化在Tiny Machine Learning（TinyML）神经网络架构搜索中的效率。该方法使用预训练的教师模型按难度和类别对候选样本进行分层，从而实现更专注、更高效的评估过程。通过采用上限知识蒸馏程序和高斯过程代理，TGL-NSGA-II显著降低了评估方差，并与传统方法相比实现了更快的搜索时间，在关键词识别和鸟叫分类任务上表现出改进的性能。
-
新型贝叶斯模型提升脑电图脑机接口准确性
研究人员开发了一种新颖的稀疏贝叶斯回归框架，以提高基于脑电图（EEG）的P300脑机接口（BCI）的性能。该方法显式地对EEG通道之间的交互进行建模，通过识别与任务相关的通道和通道对来增强可解释性和个性化。当应用于包含55名参与者的数据集时，该方法实现了96.4%的中位数字符级准确率，并将BCI-Utility提高了10%以上，尤其对于未饮酒的参与者显示出显著的提升。
-
伪标签增强提升小型群体情感感知能力
研究人员开发了一种伪标签增强技术，以提高小型协作群体的情感感知能力，尤其是在标记数据稀缺的情况下。该研究使用包含生理数据、眼动追踪和个性特征的GroupAffect-4数据集，比较了各种增强方法。结果表明，在已知团队设置中，伪标签增强比仅使用标记数据的基线方法提高了性能。然而，由于团队成员之间的高度个性相似性，细粒度的个性加权被证明无效，这表明个性信息作为团队过滤机制更有用。
-
新的RS-MFBO框架通过减少保真度评估来优化工业模拟
研究人员开发了一个名为降维多保真度贝叶斯优化（RS-MFBO）的新框架，以应对优化工业过程模拟的计算挑战。该方法结合了用于降维的全局敏感性分析和利用低成本与高保真度模拟之间相关性的高斯过程。该框架已成功应用于生物过程和燃料合成模拟，证明在保持强大优化性能的同时，显著减少了昂贵的高保真度评估的需求。
-
新的贝叶斯优化算法使用专家乘积高斯过程模型
研究人员推出了一种新颖的贝叶斯优化算法 BO-pro-c，该算法利用专家乘积高斯过程（GP）模型。该方法解决了传统 GP 模型在计算上面临的限制，传统 GP 模型由于其立方复杂度而在处理大型数据集时遇到困难。通过组合多个局部 GP 专家，GP-pro-c 在保持全局相关性的同时，提供了改进的不确定性量化并降低了计算成本。实验表明，与基于标准 GP 的贝叶斯优化相比，BO-pro-c 在优化性能上具有竞争力，简单遗憾减少了 0.9%，计…
-
新的贝叶斯优化方法增强了源定位和声学反演
研究人员开发了一种新颖的贝叶斯优化技术，使用核集成和基于不一致性的采集函数来改进源定位和声学反演。该方法结合了具有不同核族的多个高斯过程模型，可以在不预先确定单一核的情况下适应目标函数。在模拟数据和真实数据上的实验表明，与其他贝叶斯优化策略相比，这种集成方法实现了更低的目标函数最终值并减少了参数估计误差。
-
新的VBLL方法增强了演化图上的在线节点分类
研究人员开发了一种名为变分贝叶斯最后一层（VBLL）的新方法，用于演化图上的在线节点分类。该方法解决了归纳泛化和校准不确定性的挑战，这对于动态图环境和安全敏感应用至关重要。VBLL联合训练图神经网络编码器和近似的最后一层后验，并在测试时使用在线拉普拉斯更新进行流式后验更新。在五个基准测试上的实验表明，VBLL在准确性和负对数似然方面表现优越，在Cora和ogbn-arxiv等数据集上显著优于其他方法。
-
新的非线性降维技术增强了贝叶斯优化
研究人员开发了用于贝叶斯优化的新型非线性降维技术，这是一种用于昂贵的黑盒函数的高效全局优化的方法。所提出的方法 SDR-LSBO 利用变分自编码器 (VAE) 创建结构化潜在流形，并将顺序域缩减直接集成到该潜在空间中。该方法在 BoTorch 中使用高斯过程代理实现，在基准测试中展示了改进的优化质量，特别是在非线性低维结构方面，并提供了一种分析潜在空间学习与表示差距之间权衡的方法。
-
语言模型动态学习化学反应表示以进行优化
研究人员开发了一种新颖的方法，通过使用微调的语言模型从文本中动态学习表示来优化化学反应。该方法与高斯过程和贝叶斯优化相结合，可将表示适应于特定的反应系统，其性能优于传统的独热编码和分子描述符等方法。该技术成功应用于钯催化氰化反应和不对称氢化反应的优化，在预期实验中实现了高产率和高对映选择性。
-
新的MPC框架使用高斯过程实现鲁棒控制
研究人员开发了一种新颖的模型预测控制（MPC）框架，专为不确定非线性系统设计。该框架利用高斯过程（GPs）从噪声测量中学习系统动力学，并结合从收缩度量中获得的鲁棒预测。所提出的设计通过涉及平面四旋翼飞行器的数值示例证明了递归可行性、可靠的约束满足以及高概率收敛到参考状态。
-
高斯过程优化自动化断字模式生成
研究人员开发了一种使用高斯过程贝叶斯优化自动生成断字模式的方法，这是文本处理系统的一个关键组成部分。该方法将 patgen 程序参数配置文件的选择构建为一个黑盒超参数优化问题。优化目标平衡了精度（以 F_{1/7} 分数衡量）与 trie 大小和准确性之间的权衡。在 14 种语言的 17 个数据集上的评估表明，与手动调整的配置文件相比，GP 优化的配置文件显著提高了 F_{1/7} 分数并减小了 trie 大小，使得模式生成更具可重复…