Gaussian Processes
PulseAugur coverage of Gaussian Processes — every cluster mentioning Gaussian Processes across labs, papers, and developer communities, ranked by signal.
- 2026-05-20 research_milestone A new paper proposes a method to condition Gaussian Processes on natural language and other complex data. 来源
8 天有情绪数据
-
新方法增强高斯过程的矩阵计算
一篇新发表在arXiv上的研究论文介绍了一种新颖的方差缩减技术,用于矩阵计算,特别针对高斯过程。该方法利用矩阵分解,与现有方法相比,实现了显著提高的随机性能。论文详细介绍了一种用于矩阵乘积迹的因子化估计器,在某些问题上估计高斯过程的对数似然效率提高了1000倍。此外,还提出了一种用于对称正定矩阵的对数行列式的估计器。
-
新框架FANCI增强了网络干扰下的因果推断能力
研究人员开发了FANCI,一个新颖的主动学习框架,旨在网络干扰场景下恢复因果响应函数。该方法利用高斯过程对非线性条件响应面进行建模,并引入“填充距离”标准来指导实验探索未充分探索的区域。FANCI通过考虑网络约束,旨在改善暴露依赖性效应的恢复,并在模拟和在线游戏实验中证明了其有效性。
-
新的证据深度学习模型通过自主水面航行器增强溢油监测
研究人员开发了一种使用自主水面航行器(ASVs)船队监测溢油的新方法。该研究将证据深度学习(EDL)作为一种优于高斯过程、蒙特卡洛丢弃和深度集成的不确定性校准信息模型。在模拟中,EDL显著降低了重建误差并提高了准确性,运行速度更快,并且需要更少的数据点即可进行有效绘图。
-
新的贝叶斯方法对非线性动力学系统进行建模
研究人员开发了一种新的贝叶斯方法来理解非线性动力学系统,通过构建高斯过程动态模式分解。该方法利用再生核希尔伯特空间中的条件均值嵌入来近似传递算子。该框架提供了不确定性量化、可扩展的近似以及用于预测和谱分析的自适应字典学习,还建立了与时间滞后典型相关分析的联系。
-
高斯过程框架利用无人机进行实时城市交通估算
研究人员开发了一个新的框架,使用时空高斯过程来实时估算城市交通状况。该模型利用来自自主无人机机队和历史交通数据的数据来重建全网络交通状态,提供估算和不确定性预测。该方法在巴塞罗那的模拟和雅典的真实世界数据中得到了验证,证明了车辆行驶小时数(VHT)的估算和预测有所改进,并表明具有不确定性意识的无人机路线规划可以进一步提高性能。
-
引入高斯过程框架用于时间序列变化点检测
本文介绍了一种使用高斯过程检测时间序列数据变化的新框架。该方法将变化定义为高斯过程先验超参数的修改,将问题构建为统计假设检验。它提供了理论保证,并直接从数据中学习超参数值,无需预先指定变化前后时间序列函数。该框架的有效性通过在合成和真实世界数据集上的评估得到证明。
-
高斯过程框架用于时间序列变化点检测
研究人员推出了一种使用高斯过程检测时间序列数据变化的新框架。该方法将变化定义为高斯过程先验超参数的修改。该方法旨在有效处理离线和在线检测多个变化点,并对其性能提供理论保证。一个关键的好处是它能够直接从数据中学习超参数值,从而无需预先指定变化前后时间序列函数。
-
新的 R-MOGP 方法提供抗离群值的高斯过程建模
研究人员开发了一种名为 R-MOGP 的新方法,以解决多输出高斯过程 (MOGPs) 对离群值的敏感性问题。这种新颖的方法确保了对任何单个响应变量中的异常数据点的鲁棒性,而不会损害计算效率。R-MOGP 与稀疏变分推理无缝集成以实现可扩展性,并且在计算成本显著降低的情况下,其性能与现有的最先进的鲁棒 MOGPs 相当。
-
物理信息机器学习可能减少结构监测中的碳足迹
一篇新的研究论文探讨了物理信息机器学习(PIML)在结构健康监测中的环境影响。该研究将四种 PIML 方法的碳足迹与传统的黑盒模型进行了比较,发现 PIML 通常需要更少的数据和训练时间,从而减少了排放。然而,该研究强调了 PIML 的附加复杂性与其环境效益之间的权衡,并建议需要仔细考虑才能实现最佳应用。
-
建立了 Sinkhorn 散度的新的黎曼几何
研究人员开发了一个新的框架来理解 Sinkhorn 散度的几何结构,Sinkhorn 散度是最佳运输中广泛使用的度量。这项工作建立了正式的黎曼结构,并推导了测地线和平行传输方程等关键几何运算。研究结果还表明,这些运算会导致估计量的 $\sqrt{n}$-极限高斯过程,并具有一致的非参数自举结果。
-
PYTHIA框架使用迁移学习进行材料优化
研究人员推出PYTHIA,一个新颖的机器学习框架,旨在优化材料的缺陷和吸附位点等性质。PYTHIA利用基础模型和迁移学习,使用一个复杂的预训练模型,然后通过一个转换器层和用于不确定性量化的斯高斯过程进行微调。这种方法使得该框架即使在数据集有限的情况下也能有效,使其适用于新的和研究不足的材料。该系统已被证明能够有效地识别复杂化学系统中的最佳吸附位点。
-
新的连续深度公式增强了深度高斯过程
研究人员为深度高斯过程(DGP)引入了一种新颖的连续深度公式,以解决离散深度模型相关的优化挑战。这种新方法将深度视为一个连续演化过程,通过随机微分方程和基于GP的先验来建模潜在表示。所提出的CDGP和FlowDGP方法在各种回归任务上表现优于标准DGP和残差DGP。
-
大气视宁度预报的机器学习模型基准测试
研究人员评估了用于短期大气视宁度预报的机器学习模型,旨在改善天文观测和光学通信。该研究将高斯过程(GPs)和一种名为FloTS的基于归一化流的模型与确定性循环神经网络(RNN)和长短期记忆(LSTM)模型进行了比较。结果表明,深度学习模型,特别是LSTM和FloTS,在预测长达两小时的大气视宁度方面取得了更高的准确性。FloTS在概率预报和不确定性量化方面也展示了强大的能力,提供了比GPs更具信息量的预测。
-
新的贝叶斯模型识别时间序列数据中的金融状态
研究人员引入了时间划分高斯过程混合模型(TPGPMM),这是一个新颖的贝叶斯非参数框架,旨在识别时间序列数据中的持续状态并对非平稳依赖性进行建模。该模型将自适应的Pitman--Yor先验用于分割与特定状态的高斯过程相结合,从而能够灵活地适应不同的状态长度。采用Metropolis-within-Gibbs采样器来联合学习变化点和超参数,为分割和动态提供不确定性量化。应用于金融数据,如CBOE波动率指数(VIX)和美国国债收益率,已成…
-
新框架融合高斯过程和扩散模型以进行科学推理
研究人员开发了一个新颖的框架,该框架融合了高斯过程(GPs)和扩散模型,以增强科学推理。该方法结合了 GPs 的原则性不确定性量化和扩散模型的生成能力,尤其是在数据有限的情况下。该方法侧重于在低维子空间中学习有针对性的校正,从而提高准确性并捕捉各种科学任务预测中的隐藏模式。
-
新框架使用层级高斯过程进行调查加权
研究人员开发了一种利用层级高斯过程(HGP)回归的新调查加权框架。该方法结合了结构化的组级别效应和基于核的平滑技术,以改善相关单元之间的信息共享,尤其是在稀疏人群中。该框架提供了计算效率和理论收敛结果,在处理非参数结构时,与传统的逻辑回归相比,在模拟中显示出更低的预测误差。在“家庭与儿童福祉的未来研究”中的应用突显了其效用。
-
AI基准ActMOF加速金属有机框架合成
研究人员开发了ActMOF,这是一个用于比较金属有机框架(MOFs)合成中主动学习策略的新基准。该系统使用来自铝-羧酸盐MOFs合成的实验测量数据,并通过衍射峰强度和宽度评估结晶度。通过对包括高斯过程、树集成和大型语言模型在内的策略进行基准测试,ActMOF确定高斯过程是在稀疏合成环境中主动学习的领先策略。随后,该系统成功地指导了在每个12次实验的预算内合成六种相关的铝MOFs。
-
新的深度跳跃高斯过程方法增强了高维建模
研究人员推出了一种名为深度跳跃高斯过程(DJGP)的新方法,该方法专为高维空间中的复杂函数建模而设计。该方法通过集成特定区域的局部线性投影,改进了现有的跳跃高斯过程。这些投影利用依赖于区域的矩阵来识别和捕获局部低维子空间结构,然后由 JGP 对其进行建模以表示分段连续关系。DJGP 采用两层 GP/JGP 深度学习架构,并包含一个可扩展的变分推理算法,用于投影矩阵和 JGP 超参数的联合学习。实证研究表明,与现有方法相比,DJGP 提…
-
新方法改进了宽神经网络的高斯近似
研究人员开发了一种方法,以提高宽神经网络高斯近似的收敛速度。这项新技术将有限样本界限提升到泛函界限,在上确界范数中实现了 m^{-1/2} 的收敛速度。该方法按样本测量误差,使常数均匀且独立于样本集大小,从而解决了先前方法中常数随样本精化而增长的局限性。
-
新论文为SGD提供强高斯近似
本文为常数学习率随机梯度下降(SGD)引入了强高斯近似,特别适用于重尾噪声以及迭代次数增加而学习率缩小时的情况。该研究开发了简单的过程高斯模型,并界定了SGD误差与其极限之间的差异,从而实现了有限样本、整个轨迹的推断。研究结果揭示了控制SGD偏差和初始化效应之间的权衡,建议采用预热方案或Richardson-Romberg外推法来消除这些贡献并实现随机过程收敛。