实体
Gaussian Process Priors with Uncertain Inputs Application to Multiple-Step Ahead Time Series Forecasting
Gaussian Process Priors with Uncertain Inputs Application to Multiple-Step Ahead Time Series Forecasting
PulseAugur coverage of Gaussian Process Priors with Uncertain Inputs Application to Multiple-Step Ahead Time Series Forecasting — every cluster mentioning Gaussian Process Priors with Uncertain Inputs Application to Multiple-Step Ahead Time Series Forecasting across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的GMVIP方法增强了隐式过程先验的贝叶斯推理
研究人员引入了广义马瑟隆变分隐式过程（GMVIP），这是一个新颖的变分族，专为具有隐式过程先验的后验推理而设计。这些先验通常通过贝叶斯神经网络或随机模拟器等机制定义，通常缺乏可访问的函数空间密度。GMVIP通过构建校正的路径wise方法来构造后验样本，从而解决了这个问题，并保留了原始隐式过程的结构和变异性。在回归、分类和时间序列预测任务上的实验表明，GMVIP与现有方法相比具有竞争力，特别是在利用模拟器定义的和检索条件化的经验轨迹先验时。
-
新的贝叶斯方法增强了物理模拟的不确定性量化
研究人员开发了一种新的非线性守恒律模拟方法，该守恒律是许多科学和工程系统的基础。该方法将经典数值方法视为高斯过程先验下的贝叶斯推断，从而能够对不确定性进行物理感知处理。通过采用稀疏近似技术，该方法能够扩展到大规模问题，为前向模拟提供准确的不确定性量化，并快速恢复逆问题的后验，其性能优于神经网络基线。