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
12 天有情绪数据
-
新方法识别多计算机实验中的最优配置
研究人员开发了一种名为“联合轮廓定位”（jCL）的新方法，可以有效地同时识别在多个计算机实验中产生特定结果的输入配置。这种方法对于复杂场景特别有用，例如在车辆动力学中找到导致零扭矩力的稳定飞行条件。jCL方案在响应面探索与学习到的相交轮廓利用之间取得平衡，采用了高斯过程（GPs）、多任务GPs和深度GPs。这种新颖的方法在现有的轮廓定位策略和基于优化的替代方案方面表现出色。
-
新的CDGP框架实现了弱监督异常分割
研究人员开发了对比双高斯过程（CDGP），一种用于工业视觉检测中弱监督异常分割的新框架。该方法对正常和异常诱导的变量预测分布进行建模，从而无需像素级标注即可实现精确的缺陷定位。CDGP在MVTec AD2、KSDD2和VisA等基准数据集上表现出色，在识别和定位缺陷方面优于现有方法。
-
研究人员探索自编码器的混沌边缘
研究人员在自编码器（一种深度神经网络）的背景下探索了“混沌边缘”（EoC）的概念。这种介于有序和混沌信号传播之间的临界状态，被认为在网络稳定性和性能方面具有优势。该研究利用随机矩阵理论和 Sudakov-Fernique 不等式对自编码器的局部和全局 EoC 进行了分析。
-
流形假说下扩散模型理论取得进展
研究人员在流形假说下对去噪扩散概率模型（DDPMs）进行了理论分析，该假说认为高维数据存在于低维流形上。研究证明，DDPMs 在环境维度上实现了独立于维度的分数学习率，并且在沃塞尔斯坦距离上实现了独立于维度的采样复杂度率。该框架将扩散模型与高斯过程极值理论联系起来。
-
新的K-DAREK框架为神经网络提供可靠的最坏情况误差界限
研究人员开发了一个名为K-DAREK的新框架，用于神经网络，旨在为安全关键型应用提供可靠的最坏情况误差界限。该方法将密集层与基于样条的组件相结合，以确保不确定性估计既具有距离感知性（随着与训练数据的距离增加而增加），又能提供确定性保证。与Kolmogorov--Arnold Networks (KANs)和高斯过程等现有方法相比，K-DAREK在速度和计算效率方面表现出显著的改进，同时在实验中还减少了误差界限违规和碰撞率。
-
新框架增强降阶模型中的不确定性量化
研究人员开发了一种新的框架，用于量化非侵入式降阶模型（NIROMs）中的不确定性。该方法将降阶基的随机表示与共形风险控制技术相结合，以提供可靠的预测集。该方法在不重新训练高斯过程的情况下，将基引起的（basis-induced）不确定性与回归引起的（regression-induced）不确定性分开，从而更准确地评估模型可靠性，尤其是在外推场景中。
-
新研究提供更快的马尔可夫链收敛方法
两篇新研究论文提出了加速马尔可夫链收敛的新方法。第一篇论文引入了一个称为“渐近等价于目标”的标准，提供了一条无需依赖不可约性或非周期性等传统概念即可直接证明收敛的途径。第二篇论文提出了一个称为“延迟接受正则化和退火”（DART）的框架，该框架通过利用目标密度的几何信息而不直接计算梯度来实现马尔可夫链更快的混合时间。
-
新的FruBO框架在贝叶斯优化中优先考虑计算效率
研究人员推出了一种新的贝叶斯优化框架FruBO，该框架在追求性能的同时优先考虑计算效率。他们的研究对高斯过程、随机森林、NGBoost和贝叶斯自适应样条曲面在各种科学和机器学习任务上进行了基准测试，发现高斯过程在计算上成本高昂但并未提供更优的结果。FruBO旨在根据数据集特征指导用户选择最合适的代理模型，为资源有限的优化提供一个可复现且计算感知基线。
-
新研究探索使用紧凑支撑径向基函数进行概率密度建模
研究人员探索了使用紧凑支撑径向基函数（CS-RBF）作为一种新颖的概率密度函数参数族，特别关注Wendland $\mathscr{C}^2$ 核。该研究在单变量和条件设置中提供了矩和累积分布函数等统计属性的解析表达式，并考虑了截断和非截断支撑的场景。还介绍了一种使用CS-RBF混合模型进行密度估计的增量学习算法，该算法在合成和真实世界数据集上展示了与高斯混合模型相比具有竞争力的性能。
-
专家称贝叶斯方法在大语言模型时代仍至关重要
Christopher Krapu 和 Alex Andorra 讨论了在大型语言模型时代，贝叶斯方法经久不衰的相关性。他们的对话涉及图形处理单元 (GPU)、高斯过程和概率 AI 等主题。讨论强调，尽管大型语言模型取得了进展，但贝叶斯方法仍然具有价值。
-
迁移学习在多保真度贝叶斯优化中优于高斯过程
一篇新的研究论文探讨了将迁移学习架构用作多保真度贝叶斯优化（MFBO）的核心组件。该研究在各种任务（包括合成函数以及化学和材料领域的实际问题）上，将十一种迁移学习代理与传统高斯过程（GPs）进行了基准测试。结果表明，在分子和材料问题上，迁移学习的性能显著优于GPs，以更少的计算量取得了更好的解决方案，使其成为这些领域MFBO的首选代理。
-
新的贝叶斯优化方法RAMBO解决了多模式搜索空间问题
研究人员开发了一种新的贝叶斯优化（BO）方法，称为RAMBO，旨在比标准BO更有效地处理多模式搜索空间。RAMBO利用高斯过程的Dirichlet过程混合模型自动识别数据中的不同模式，每种模式由独立的高斯过程建模。这种方法在分子构象优化、药物发现和聚变反应堆设计等应用中显示出改进。
-
新的gp2Scale方法将高斯过程扩展到1000万+数据点
研究人员推出了一种名为gp2Scale的新方法，该方法能够处理超过1000万个数据点的高斯过程，而无需采用近似方法，如诱导点或核插值。该方法利用了协方差矩阵中固有的稀疏结构，这得益于灵活设计的、紧支撑的、非平稳核。在许多情况下，该方法与最先进的近似算法相比表现出更优越的性能，同时还能兼容任意核设计、噪声模型和均值函数，使其适用于广泛的现代高斯过程应用。
-
高斯过程极小点分析在新研究中揭晓
本文研究了高斯过程的高值极小点，重点关注超调和与极小点位置。研究表明，在某些条件下，随着极小值增加，缩放后的超调和收敛于一个指数分布的随机变量。研究还表明，极小点的条件律的弱子序列极限对应于最优协方差能量测度，如果该测度是唯一的，则发生收敛。这些发现通过平稳高斯过程、分数布朗运动和分数布朗片等例子进行了说明。
-
机器学习应用于高能物理拟合的新讲义
研究人员发布了新的讲义，详细介绍了机器学习（ML）代理模型在 고에너지 물리학 统计拟合中的应用。这些讲义概述了一个全面的 ML 工作流程，包括使用提升决策树（Boosted Decision Trees）来近似似然函数，以及使用高斯过程（Gaussian processes）进行主动学习以高效生成数据。该方法在 Belle II 实验的 $B^\pm \to K^\pm \nu \bar{\nu}$ 异常分析中得到验证，展示了 ML…
-
新研究论文介绍了用于有向无环图的深度高斯过程
研究人员开发了专门为有向无环图（DAGs）设计的深度高斯过程（DGPs）。这种新方法解决了在DAGs上重建、传播不确定性以及对部分观测过程进行推理的挑战，这些在因果建模和基因调控网络等领域很常见。该工作包括对先验崩溃行为和图拓扑影响的理论分析，以及用于提高准确性和可解释性的结构化变分近似。在蛋白质信号网络和重离子碰撞模拟等任务上的实证验证显示了最先进的性能。
-
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。