PulseAugur
中
实时 16:48:48
实体 Gaussian process

Gaussian process

PulseAugur coverage of Gaussian process — every cluster mentioning Gaussian process across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
52
90 天内 175
发布 · 30天
0
90 天内 0
论文 · 30天
52
90 天内 175
层级分布 · 90 天
主题
关系
情绪 · 30 天

12 天有情绪数据

最近 · 第 1/10 页 · 共 181 条
  1. TOOL · CL_366198 ·

    Meta-LSQ:新的少样本元学习求解器可缩短训练时间

    研究人员推出了一种新颖的闭式求解器 Meta-LSQ,用于少样本元学习,该求解器采用正则化最小二乘法。与传统的基于梯度的方法不同,Meta-LSQ 仅学习三个标量参数,从而显著降低了计算成本和训练时间。该方法在正弦回归任务上表现出色,并在 DESY 的 ARES 设施的模拟束调优中显示出潜力,在某些场景下优于现有模型。

  2. TOOL · CL_366089 ·

    新的BReaD框架利用扩散模型增强黑盒优化

    研究人员开发了一个名为BReaD(Black-box Reward-guided Sampling of Diffusion Model)的新框架,用于优化黑盒目标,特别是在传统贝叶斯优化难以处理的高维空间中。BReaD利用高斯过程作为未知目标的微分代理,并主动查询生成样本的标签。这种方法可以在低数据场景下进行有效优化,而无需访问标记数据集或奖励梯度,通过上限置信界引导信号来平衡探索和利用。

  3. RESEARCH · CL_366180 ·

    LLM 通过专家知识增强贝叶斯优化,设计成本降低 61%

    研究人员开发了一种名为 LLM 辅助多保真度贝叶斯优化 (MFBO) 的新方法,该方法将专家知识与数值数据相结合,以改进工程设计流程。该方法使用大型语言模型 (LLM) 来解释领域专家关于被省略的物理学的定性见解,然后将其纳入高斯过程模型。与传统的 MFBO 相比,这种专家知识与数值数据的融合在锂离子电池设计问题中将遗憾减少了 61%。

  4. TOOL · CL_364273 ·

    MemGP理论统一了计算和神经层面的工作记忆研究

    一项名为MemGP的新理论提出了一个统一的理解工作记忆的框架,整合了计算、算法和电路层面的分析。MemGP将工作记忆建模为对连续函数的概率推理,在记忆强度和高斯过程先验之间进行平衡。该方法成功地重现了各种行为现象,包括容量限制、注意力效应和项目交互,同时直接映射到神经回路动力学并预测突触权重存储以及持续活动。

  5. RESEARCH · CL_364244 ·

    新的GP--RL--MPC方法通过不确定性感知强化学习增强控制

    研究人员推出了一种名为GP--RL--MPC的新方法,该方法结合了高斯过程强化学习和模型预测控制。该方法利用学习到的批评者作为MPC终端惩罚,以管理超出预测范围的成本。该系统采用高斯过程回归从有限数据中进行有效学习,并包含一个可调的风险系数来权衡终端成本中的认知不确定性,从而控制对不确定预测的敏感性。在连续搅拌釜反应器中的实验表明,与基线MPC相比,均方误差之和平均减少了80.52%。

  6. TOOL · CL_363476 ·

    新的HGPQ方法加速了自驾实验室的学习

    研究人员开发了一种名为异方差高斯过程Q学习(HGPQ)的新方法,旨在提高自驾实验室的学习效率。该方法使用高斯过程直接学习Q函数,无需对系统动力学进行建模。HGPQ根据数据点的可靠性动态调整学习率,为来自嘈杂条件或具有陡峭值函数梯度的区域的目标分配较小的权重。与化学反应器和生物过程等各种模拟基准测试中的其他方法相比,该技术已显示出更快的学习速度。

  7. TOOL · CL_360435 ·

    新的双向信息流方法提高了贝叶斯优化的效率

    研究人员推出了一种新颖的分层高斯过程(HGP)模型方法——双向信息流(BIF),旨在提高贝叶斯优化的样本效率。与依赖单向信息共享的先前HGP框架不同,BIF促进了父模型和子模型之间的连续双向通信。这使得父模型能够根据子模型摘要来调整其后验,同时利用自上而下的反馈将环境观测分解为子响应。该方法在各种基准测试中均显示出显著的性能提升,父模型R^2提高了四倍,并且在标准GPBO方面取得了可观的AUC增益。

  8. TOOL · CL_360378 ·

    新AI框架以更少实验预测合金强度

    研究人员开发了一个名为ROSE-HEA的新型样本高效框架,用于预测高熵合金(HEAs)的强度。该方法利用面向结果的鲁棒顺序学习来指导实验数据的选择,旨在减少获取拉伸试验数据的昂贵且耗时的过程。在回顾性评估中,ROSE-HEA的性能优于传统的贝叶斯优化技术和其他回归器,在更少的训练观察下实现了更低的均方根误差和更高的R^2值。

  9. TOOL · CL_357803 ·

    FoMEMO 提出面向昂贵多目标优化的基础模型

    研究人员提出了 FoMEMO,一个旨在为昂贵多目标优化任务创建基础模型的新框架。该方法通过在海量合成数据集上进行可扩展的预训练来解决现有方法的局限性,从而避免了进行大量真实世界实验的需要。FoMEMO 将多目标优化转化为偏好聚合后验学习任务,使基础模型能够在测试时进行上下文后验预测并优化采集函数以高效生成候选集,而无需进一步的模型训练。

  10. TOOL · CL_357643 ·

    新的扩散 Transformer 可实现黑盒优化的高级 Thompson 采样

    研究人员引入了一种称为先验拟合扩散 Transformer 的新方法,用于以黑盒方式优化未知函数。该方法利用扩散模型在先验拟合网络范式下进行预训练后,进行上下文内的 Thompson 采样。该工作还开发了适用于具有非高斯特性的函数的实用非高斯先验,在全局优化基准测试中展示了优于传统高斯过程流水线的性能。

  11. TOOL · CL_358371 ·

    新的LG-DKGP方法通过动作连续性提升世界模型规划能力

    研究人员开发了一种名为LG-DKGP的新方法,该方法通过学习专家动作的时间结构来改进视觉世界模型规划。该方法结合了近期和长期的动作历史以及高斯过程先验,在五个模拟任务中取得了87.07%的成功率。这显著优于现有的INTACT(71.03%)、PRISM(61.66%)和LeWM(58.66%)等方法。研究还分析了视觉条件和规划范围等各种因素对任务性能的影响。

  12. RESEARCH · CL_357705 ·

    新的GLOBAFED框架增强了联邦优化中隐私保护的知识迁移

    研究人员推出了一种名为GLOBAFED的新框架,旨在改进联邦贝叶斯优化(FedBO)中的知识迁移。该方法解决了现有FedBO方法在实际场景中常常无法满足的、需要相似目标函数或共享超参数的局限性。GLOBAFED利用具有共享骨干网络和特定代理头(agent-specific heads)的概率神经网络,通过联邦学习实现特征表示的协作学习,同时保护隐私。实证结果表明,GLOBAFED比当前的FedBO基线模型能加速收敛并取得更优的性能。

  13. TOOL · CL_352374 ·

    新框架通过仿射追踪统一概率线性求解器

    研究人员引入了“仿射追踪”,这是一个旨在自动化概率线性求解器(PLSs)构建的新颖框架。这一新范式统一了先前不同的PLSs方法,证明了贝叶斯PLSs是非平稳仿射PIMs的一个特例。仿射追踪框架通过从标准的仿射迭代方法自动生成PIM来简化这些求解器的实现,从而能够更有效地计算后验协方差和进行代数简化。

  14. TOOL · CL_352245 ·

    新研究探索多目标贝叶斯优化的复合建模

    本文探讨了复合建模在多目标贝叶斯优化(MOBO)中用于科学设计的优势。研究调查了如何从中间响应而非仅最终目标值中学习可以提高采样效率。在合成和受应用启发的基准测试上的实验表明,当中间响应到最终目标的映射是非双射和非仿射时,复合建模最有效。

  15. TOOL · CL_351456 ·

    Tabular Foundation Models Show Promise as Training-Free World Models

    一篇新论文探讨了预训练的表格基础模型(TabFM)作为强化学习和机器人规划的无训练世界模型的潜力。研究发现,TabFM在数据有限的情况下,尤其是在机器人运动任务中,其表现优于从头开始训练的LSTM和MLP等模型。然而,其准确性在很大程度上取决于提供的上下文量,长上下文能产生更好的结果,但仍未能达到完全训练的世界模型的水平。研究得出结论,虽然在上下文充足且数据稀缺的情况下,无训练先验模型很有用,但它们还不能替代规划应用中的已训练世界模型。

  16. TOOL · CL_344040 ·

    ShapleyOG方法加速了机器学习中Shapley值的估计

    研究人员开发了ShapleyOG,一种用于估计机器学习中Shapley值的新颖方法,该方法显著降低了计算开销。通过关注博弈的奇数分量,ShapleyOG所需的观测次数比以前的自适应方法少,同时保持了估计的准确性。这一进步使得自适应Shapley值估计对于评估成本更高、预算更大的博弈变得可行,并且优于最先进的非自适应估计器。

  17. TOOL · CL_338477 ·

    新的混合人工智能框架改进了稀疏观测下的数据同化

    研究人员开发了一种新颖的混合框架,该框架将卷积神经网络(CNN)与可学习核的高斯过程(GP)相结合,用于数据同化和偏差校正。该方法旨在处理极稀疏观测值,这是天气预报和海洋学等领域面临的常见挑战。该系统旨在提供准确的状态重构和校准的不确定性估计,在实验中表现优于 3D-Var 和标准高斯过程等传统方法。

  18. TOOL · CL_336448 ·

    新的FLAT方法提高了数字孪生样本高效的交通校准性能

    研究人员开发了FLAT,一种用于数字孪生中样本高效交通校准的新颖方法。该方法平滑了参数误差景观,使得目标可以从有限数量的样本中学习。FLAT将优化策略与采样位置相结合,利用了八维行为指纹和退火置信下界获取策略。在六个真实交通场景中进行了测试,FLAT-GP表现出优越的性能,实现了最低的平均行为误差,并优于几种基线方法。

  19. RESEARCH · CL_336387 ·

    新研究探索用于复杂问题求解的高级流形方法

    两篇新研究论文探讨了用于求解流形上复杂数学问题的先进方法。流形是与标准欧几里得几何不同的弯曲空间。第一篇论文介绍了紧致流形上偏微分方程的概率无网格方法,提供了近似和误差量化。第二篇论文提出了一种名为 PRISM 的新方法,用于未知流形上的黎曼优化,即使在流形结构未明确知晓的情况下也能实现目标下降和收敛。两项研究都通过理论分析和在各种数据集及应用上的实验验证,证明了其方法的有效性。

  20. TOOL · CL_336043 ·

    新的克里金方法整合全局PDE残差以增强概率求解

    研究人员引入了一种名为PDE残差知情克里金(PRIK)的新方法,以增强使用高斯过程求解偏微分方程(PDE)的概率框架。PRIK将全局PDE残差信息直接整合到协方差结构中,提供了一种比依赖于点条件或全局约束的现有方法更全面的方法。这种新公式旨在最小化其后验均值中的积分平方PDE残差,并为方差缩放和模型复杂度提供统计解释。