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
-
新理论锐化了高斯过程核估计的渐近性
本文为高斯过程（GP）核参数的最大似然估计量（MLEs）提供了全面的渐近理论，特别关注径向基函数（RBF）核。研究人员通常在高斯过程中使用MLEs进行核参数估计，这些过程应用于机器学习、空间统计和时间序列分析等各个领域。然而，这些估计量的渐近行为在很大程度上未被表征，特别是在固定域渐近下，由于观测之间的复杂依赖性和协方差矩阵中的非线性。该研究建立了空间方差、长度尺度和金块方差参数的一致性，推导了收敛率，并证明了联合渐近正态性，表明这些…
-
深度集成模型改进了用于溢油监测的AI路径规划
研究人员开发了一种用于水体环境监测的信息路径规划新方法，特别适用于溢油等场景。该方法用深度集成模型取代了传统的高斯过程，显著提高了场重建的准确性。研究还强调了模型不确定性估计的质量如何放大不同规划算法的影响，当不确定性校准良好时，多步前瞻规划器优于贪婪选择。
-
新研究推进贝叶斯优化技术 · 跟踪到2个来源
两篇新研究论文探讨了贝叶斯优化（BO）技术的进展，BO是一种用于优化复杂函数的技术。第一篇论文介绍了一种直接遗憾优化方法，该方法联合学习模型和采集函数，在高性能设置下优于标准基线。第二篇论文深入探讨了时变贝叶斯优化（TVBO）的理论理解，为实现渐进无遗憾性能提供了界限和条件，涵盖了各种核函数。
-
新型高斯过程方法增强预测不确定性
研究人员推出了一种新颖的高斯过程方法 Predictively Oriented Gaussian Processes (PrO-GPs)，旨在改进预测不确定性量化。与需要仔细设计选择（如核函数选择）的标准 GP 不同，PrO-GPs 将预测不确定性作为主要的推断目标。虽然对于非参数模型来说，直接计算 PrO 后验是难以处理的，但研究人员开发了一种高效的采样方案和一种简化形式。在合成数据和真实数据上的实验表明，与传统 GP 方法相比，…
-
新的IQS-BO方法通过学习到的查询选择来简化贝叶斯优化
研究人员推出了一种新颖的贝叶斯优化方法IQS-BO，该方法显著降低了计算成本。与需要重复拟合代理模型的传统方法不同，IQS-BO利用先验数据拟合网络（PFNs）通过在合成数据上进行监督学习来学习查询决策。这使得单次前向传播即可预测候选者最大化目标的概率，在各种基准测试中优于现有方法。
-
新方法使用神经网络和欧拉近似推断SDE参数
研究人员开发了一种新颖的方法，用于推断由特定类型高斯过程驱动的随机微分方程（SDE）的参数。该方法利用神经网络和欧拉近似从离散观测中估计漂移、扩散和噪声协方差。该方法使用神经网络和径向基表示来建模漂移和扩散系数，然后通过似然剖面估计协方差指数和扩散尺度，与替代的神经网络方法相比显示出有希望的结果。
-
深度集成模型增强水生环境监测路径规划
研究人员开发了一种用于水生环境监测中信息路径规划的新方法，利用深度集成模型来提高标量场重建的准确性。该深度集成模型显著优于传统的斯高斯过程，在模拟漏油场景中将重建误差降低了83%。研究还强调，模型的不确定性估计质量对于有效的路径规划至关重要，当不确定性得到良好校准时，多步前瞻算法比贪婪方法有显著的收益。
-
新的高斯过程框架提供可扩展的精确推理
研究人员开发了一个自适应多分辨率高斯过程框架，旨在提高概率机器学习模型的可扩展性和保真度。这种新方法使用直接锚定在样本上的自适应多分辨率基函数来构建自然数据稀疏的协方差矩阵。该框架能够以 O(n log^2 n) 的训练成本和 O(log^d n) 的预测成本进行精确推理，为高保真高斯过程回归提供了一种原则性的方法。
-
新研究纠正贝叶斯实验设计中的偏差
一篇新的研究论文解决了贝叶斯实验设计中的局限性，特别是关于主动学习中使用的 Gausian 过程。该论文介绍了纠正边界偏差和观测独立性的方法，这些偏差和独立性可能导致采样效率低下。通过实现一个由重建驱动的设计密度和一个几何均衡器，所提出的方法旨在提高各种基准测试中的样本效率和函数重建准确性。
-
新的 SLE 核框架绕过了高斯过程的距离度量要求
研究人员引入了一个名为稀疏地标嵌入（SLE）核的新核框架，旨在克服现有核方法（如高斯过程，GPs）的局限性。与要求特定距离度量以确保半正定性的传统方法不同，SLE 核可与任何距离度量配合使用。它通过将输入嵌入稀疏特征向量来实现这一点，从而保持了计算的可行性并对其性能提供了理论保证。
-
新的在线方法通过递归梯度计算增强了扭曲高斯过程
研究人员开发了一种新颖的扭曲高斯过程（GPs）在线方法，该方法可以联合更新潜在 GP 矩和扭曲参数。该方法通过实现瞬时负对数似然梯度的精确递归计算，解决了现有流式变体中的局限性。新方法旨在通过一种称为扭曲的参数化变换将非高斯观测映射到潜在的标准 GP 中，从而改进对非高斯观测的处理。
-
新方法恢复了高维KANs中的距离感知能力
研究人员发现，Kolmogorov网络（KANs）中的不确定性量化方法Distance-Aware Error for Kolmogorov Networks (DAREK) 存在一种失效模式。在高维设置下，DAREK会产生“虚假节点”，在远离训练数据的地方错误地报告低不确定性，违反了距离感知保证。提出了一种新的“排水”机制，通过将不确定性引导至真实节点来恢复这些保证，在测试数据集上将样本距离感知能力从85%提高到98-99%。
-
新研究解决PINN在求解PDE方面的局限性 · 跟踪4个来源
近期研究探讨了用于求解偏微分方程（PDE）的物理信息神经网络（PINN）的进展。一篇论文介绍了一种物理信息随机特征方法来解决PINN中的谱偏差问题，降低了计算复杂性并提供了理论误差界限。另一项研究发现了PINN中的一种导数保真度失效模式，证明了准确的函数逼近并不能保证准确的导数，特别是对于二阶导数。第三篇论文提出了一种架构冲突解决PINN（ACR-PINN），该方法结合了层级坐标适应和梯度冲突解决，显著提高了各种基准测试的准确性。最后…
-
新的核稀疏化方法提高了机器学习的效率
研究人员推出了一种名为“向后核集聚”（Backward Kernel Herding）的新算法，旨在提高核方法学习的效率，这类方法对于大型数据集通常计算成本很高。该方法以及一个名为“灵活核稀疏化”（Flexible Kernel Thinning）的扩展，旨在创建代表性的数据集子集，同时在再生核希尔伯特空间（Reproducing Kernel Hilbert Space）中保留关键属性。实验表明，向后核集聚在训练时间效率方面有显著提…
-
新框架使用LLM将AI投资组合优化与ESG偏好相结合
研究人员开发了一个新的投资组合优化框架，该框架使用多目标强化学习（MORL）整合了环境、社会和治理（ESG）因素。该方法通过纳入偏好引导系统，解决了不同的ESG评级方法和手动加权多个目标的难度。该系统通过基于夏普比率和ESG分数的投资组合的成对比较来推断用户的效用函数。使用大型语言模型（LLM）角色的模拟显示，地区背景显著影响这些偏好，欧洲角色优先考虑ESG，德克萨斯角色偏好财务回报。
-
新框架连接广义样条与高斯过程
本文介绍了一个广义框架，用于理解最小均方误差估计量与线性逆问题中的正则化最小二乘拟合之间的关系。该研究将这种等价性扩展到无限维设置，其中广义样条充当回归量，核空间上的广义高斯过程充当高斯向量的对应物。该形式主义利用白化/正则化算子来定义希尔伯特空间，这对于表征这些关系至关重要，它包含了现有方法并揭示了新的联系，例如分数样条与分数布朗运动之间的联系。
-
新研究通过离散时间签名实现全局普适性
一篇新的arXiv论文介绍了一种使用离散时间签名在非预期和路径依赖泛函中实现全局普适性的方法。研究表明，这些签名的线性泛函可以近似各种高斯过程，包括布朗运动和赫斯特参数大于1/4的分数布朗运动。研究结果还为布朗运动驱动的随机和随机微分方程提供了近似结果。
-
高斯过程与RKHS的联系在新专著中得到探讨
本专著探讨了高斯过程（GPs）与再生核希尔伯特空间（RKHS）之间的联系与等价性，这两种方法都是机器学习和统计学中重要的基于核的方法。它建立了基于高斯希尔伯特空间与RKHS等价性的统一视角，连接了概率方法和非概率方法中的并行发展。该工作涵盖了回归、插值和数值积分等基本主题，旨在促进两个研究社区之间的合作。
-
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。