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
9 天有情绪数据
-
高斯过程统一用于微分方程近似
研究人员开发了一种统一的贝叶斯视角，以整合使用高斯过程近似微分方程的各种方法。该框架基于导数匹配的解释，允许将微分方程约束纳入似然函数。该方法支持参数估计和解的近似，旨在为这一快速扩展领域的未来研究提供基础性理解。
-
新数学论文探讨布朗运动签名下的通用逼近
一篇新论文提出了关于粗糙路径空间上泛函的 $L^p$ 通用逼近定理，证明了时间扩展粗糙路径签名上的线性泛函可以逼近任何 $p$-可积随机过程。这项工作扩展到高斯过程，包括分数布朗运动，并对随机微分方程解的逼近具有意义。该研究于 2025 年 12 月 18 日提交至 arXiv，并于 2026 年 7 月 6 日发布了修订版。
-
新的主动学习框架提高了显微镜数据质量
研究人员为自主显微镜开发了一种新的主动学习框架，该框架使用高斯过程和物理信息质量控制滤波器。该方法旨在通过在采集过程中自动识别和排除低质量或噪声数据来提高结构-属性学习的可靠性。在钛酸铅薄膜上的评估表明，这种门控方法优于标准主动学习和随机采样，从而获得更准确的预测。该框架已成功部署在铁酸铋薄膜的实时实验中，支持科学发现的混合自主模型。
-
新的暖启动策略加速高斯过程推理
研究人员开发了新的暖启动策略来加速高斯过程（GP）推理，这是主动学习和贝叶斯优化等任务的关键组成部分。这些方法利用来自较小线性系统的解，在用新数据更新 GP 后验时显著加快收敛速度。理论分析和经验结果表明，这些暖启动技术可以实现高达 19 倍的速度提升，并产生更准确的后验估计，从而提高优化性能。
-
新的 BEACON 策略增强了昂贵发现任务的新颖性搜索
研究人员推出了一种受贝叶斯优化启发的、用于新颖性搜索的新策略 BEACON。该方法专为评估成本高昂的场景设计，例如材料科学和分子设计，旨在发现各种系统行为，而非单一的最佳结果。BEACON 使用多输出高斯过程对输入到结果的关系进行建模，并通过评估可能的后验结果与先前观察到的数据的偏差程度来选择新的输入，同时考虑预测不确定性和噪声。
-
新的Vanilla-SPDE交换方法提高了高斯过程推理效率
研究人员引入了Vanilla-SPDE交换，这是一种提高高斯过程推理计算效率的新颖方法，尤其是在时空应用中。该技术通过利用标准和SPDE公式之间的等价性，解决了传统高斯过程方法的立方复杂度限制。所提出的混合方案通过理论分析和实际数值实验证明，提供了显著的计算优势，使其对于密集网格预测更加可行。
-
新工作流程协同MCMC和高斯过程用于化学反应发现
研究人员开发了一种名为PC-MCMC-CIGP的新型灰盒工作流程，该工作流程集成了物理约束马尔可夫链蒙特卡洛（MCMC）采样和化学信息高斯过程（CIGP），用于发现反应网络。该方法通过将离散反应拓扑与连续动力学参数校准相结合，解决了从稀疏且嘈杂的化学数据中提取可解释方程的挑战。在基准反应上的实验证明了该工作流程区分基本途径和提高反应产物的能力，特定的采集策略在实验设计中显示出不同的权衡。
-
新的GP-PSRL算法在连续控制中实现了次线性遗憾界
研究人员开发了一个新的高斯过程后验采样强化学习（PSRL）理论框架，专门解决无界状态空间中的连续控制问题。提出的GP-PSRL算法实现了$\widetilde{\mathcal{O}}(H\sqrt{\gamma_TT})$的贝叶斯遗憾界，解决了先前理论工作的局限性。这一进展为分析复杂环境中的PSRL提供了更强的理论基础。
-
新型贝叶斯模型加速恒星耀斑探测
研究人员开发了一个新颖的贝叶斯时间序列建模框架，使用高斯过程（GPs），显著降低了计算成本。这种新方法采用变分自编码器（VAE）来学习GP先验的压缩表示，避免了精确协方差运算的需要，从而实现更快的推理。该方法已成功集成到一个结合了VAE和隐马尔可夫模型（HMM）的加性模型中，用于检测天文数据中的恒星耀斑，在保持准确性的同时显著节省了时间。
-
新的傅里叶特征增强非平稳高斯过程模拟
研究人员开发了规则傅里叶特征来应对模拟非平稳高斯过程的挑战。这种新方法直接离散化频谱表示，避免了对限制平稳过程的概率假设的需求。该方法产生了一种高效的低秩近似，可以保持相关结构和正半定性，并且当频谱密度未知时，可以将其扩展到从数据中进行核学习。
-
新框架通过可靠的不确定性量化增强因果推断
研究人员开发了一个名为Deconditional Gaussian Process (DGP)的新框架，以改进因果推断方法，特别是工具变量（IV）和近因学习（Proxy）。该框架通过提供可靠的认知不确定性量化，解决了现有方法的局限性。DGP框架集成了流行的核估计器，并通过后验方差提供原则性、校准良好的不确定性，从而能够通过边际对数似然优化进行系统性的模型选择。实证结果显示了强大的预测性能和信息丰富的不确定性量化。
-
新的贝叶斯方法检测多元函数数据中的异常
研究人员开发了一种新颖的贝叶斯非参数方法，用于识别多元函数数据中的异常。该方法将数据建模为多输出高斯过程的无限混合，通过切片采样自动确定组件数量。该方法利用小波基和 Besov 先验来表示均值函数，并通过内在共区域化模型捕获跨函数依赖性。通过将观测值分配给小的混合组件来识别异常，即使在存在显著的类别不平衡和有限的标记数据的情况下也是如此。
-
新的概率求解器增强了微分方程的不确定性量化
研究人员开发了Prob-GParareal，这是GParareal算法的一个新颖的概率扩展，用于求解微分方程。这种新方法结合了高斯过程来建模校正函数，从而能够量化和传播时间步长中的不确定性。Prob-GParareal还可以处理概率初始条件，并与现有的数值求解器集成。该论文在各种ODE系统上展示了该算法的准确性和鲁棒性，并引入了一个变体Prob-nnGParareal，它使用最近邻高斯过程来提高PDE示例的性能。
-
新型非参数化检测器可抵御AI文本规避
研究人员开发了一个新颖的非参数化机器文本检测框架，该框架能够抵御诸如释义和风格迁移等对抗性攻击。该系统采用多视图方法，从文档中提取互补特征，并通过高斯过程集成来聚合证据。此方法旨在通过要求对手同时克服多个独立的检测轴来增加其难度，同时还为分布外输入提供校准的概率和弃权。
-
GraphGP算法将高斯过程扩展到十亿参数
研究人员开发了GraphGP，这是一种GPU加速算法，旨在使高斯过程更具可扩展性。这种新方法利用Vecchia近似将计算复杂度从三次降低到线性，从而能够处理近十亿个参数。关键创新包括一种新颖的位反转k-d树排序，用于高效的邻域搜索和并行处理，以及一个可微分的CUDA实现，该实现比现有的JAX基线在速度和内存使用方面都有显著优势。
-
新核函数在蛋白质性质预测方面超越基础模型
研究人员开发了一类新的高斯过程序列核函数，可改进蛋白质性质预测。这些核函数利用了进化替换矩阵和局部线性，与依赖基础模型嵌入的方法相比，展示了更优越的数据效率。该方法还可以整合基础模型的结构信息，使其适用于各种蛋白质性质场景的多任务学习。
-
新定理改进了AI的高斯过程分析
研究人员开发了一个新的高斯过程理解定理，为整个场提供了一个更精确的高概率包络，而不仅仅是一个标量。该定理改进了现有的通用链式方法，并为深度神经网络中使用的点态经验过程界提供了高斯过程等价物。此外，该研究还引入了一个源自交互式Fano/数据处理原理的贝叶斯算法下包络，它为过参数化类别中的估计器提供了点态复杂度的局部几何证书。
-
高斯过程因核几何而遭受边界偏差
一篇新论文将边界方差膨胀确定为高斯过程中采集偏差的原因。这种现象，即后验方差在有界域边界附近被膨胀，可能导致贝叶斯优化中的过度探索。研究人员将这种偏差追溯到一种几何机制，在这种机制中，核的相关邻域在域边界处被截断，导致观测失真，而与目标函数无关。他们提出了一种选择性剖面诊断方法，用于量化不同采集函数和几何形状下的这种偏差。
-
新的FMGP方法增强了深度学习的不确定性估计
研究人员开发了一种名为固定均值高斯过程（FMGP）的新方法，用于估计预训练深度神经网络的不确定性。该方法将高斯过程后验均值固定为DNN的输出，使其能够有效地拟合预测方差而不损害准确性。FMGP不依赖于特定架构，并且能够很好地扩展到ImageNet等大型数据集，与现有方法相比，它提供了更优的不确定性估计和计算效率。
-
新研究通过高效集成和比较研究解决基础模型不确定性问题
两篇新研究论文探讨了改进基础模型不确定性量化方法。第一篇论文介绍了奇异值集成（SVE），一种参数高效的技术，通过调制权重矩阵的奇异值来创建多样化的模型集成，显著降低计算成本，同时保持准确性并提高校准度。第二篇论文实证比较了表格基础模型（特别是TabPFN）与高斯过程的性能，结果表明，虽然TabPFN在复杂、数据丰富的场景中表现出色，但在数据稀疏的环境中，高斯过程提供了更优越的性能和不确定性量化，尤其是在其核函数与底层函数良好匹配时。