Gaussian Processes for Machine Learning
PulseAugur coverage of Gaussian Processes for Machine Learning — every cluster mentioning Gaussian Processes for Machine Learning across labs, papers, and developer communities, ranked by signal.
-
新的高斯过程核模型可处理空间数据中的旋转各向异性
研究人员开发了一种新的可解释高斯过程核，能够模拟3D空间场中的旋转各向异性。该核显式参数化了主长度尺度和方向，比标准的轴对齐方法或通用的SPD度量提供了更直观的方法。该方法在合成数据和材料密度数据集上进行了测试，显示出改进的预测性能，并能够揭示现有技术无法捕捉的复杂各向异性。
-
贝叶斯参数偏移规则增强VQE梯度估计
研究人员为变分量子本征求解器（VQE）引入了参数偏移规则（PSR）的贝叶斯变体。这种新方法利用高斯过程估计目标函数梯度，提供了从任意观测点进行梯度估计的灵活性，并纳入了不确定性信息。贝叶斯PSR通过重用先前的观测并利用称为梯度置信区域（GradCoRe）的概念来减少观测成本，从而加速随机梯度下降中的优化。数值实验表明，与现有方法相比，这种方法显著加快了VQE优化速度。
-
研究人员开发用于可扩展高斯过程协方差核的神经网络
研究人员开发了一个新的框架，用于创建高斯过程（GPs）的可扩展和灵活的协方差核。该方法使用深度神经网络架构和源自Vecchia近似的回归型参数化直接学习协方差结构。该方法利用受Vecchia分解中排列等变结构启发的排列保持函数，以增强训练稳定性和数据效率。
-
新的认知最近邻方法加速了贝叶斯优化
研究人员开发了认知最近邻（ENN）方法，这是一种旨在提高贝叶斯优化（BO）在具有大量观测值的问题上的可扩展性的新方法。与面临数据量立方级扩展问题的传统高斯过程（GPs）不同，ENN为拟合和获取提供了线性扩展方法。这种新方法集成到TuRBO-ENN框架中，显著减少了提议时间，在处理多达50,000个观测值时，比现有方法提高了1到2个数量级。
-
高斯过程教程探讨个性化应用中的偏好学习
本文提出了一个使用高斯过程（GPs）进行偏好学习的综合框架。它将经济学和决策论的原理融入机器学习过程。该框架允许构建能够处理各种偏好场景的模型，包括随机效用模型和效用冲突的情况。
-
研究人员提出预测非平稳高斯过程协变量驱动的空间变形的新方法
研究人员开发了一种新方法来改进非平稳高斯过程（GPs），通过将空间变形建模为协变量的函数。该方法解决了静态方法的局限性，这些方法无法在协变量条件变化时预测GP的行为。所提出的技术通过将变形表示为由速度场生成，并提供一种截断高阶相互作用以进行实际估计的方法，从而连接了变形空间和协变量向量。提供了一种用于样本外预测的高效算法，并在制造和地质统计学的模拟和案例研究中进行了演示。
-
扩散模型增强了贝叶斯雨场重建和高斯过程推理
研究人员开发了一种使用商用微波链路和扩散模型作为空间先验来重建降雨场的新方法。该方法将雨场估计视为一个贝叶斯逆问题，与现有方法相比，在降雨统计数据的保留方面有所提高。该技术允许无训练的后验采样，并在合成和真实数据集上展示了一致的改进。
-
贝叶斯张量网络核方法使用拉普拉斯近似进行不确定性估计
研究人员开发了一种新的贝叶斯张量网络核方法（LA-TNKM），该方法利用线性化拉普拉斯近似进行推理。该方法解决了张量网络核方法中提供不确定性估计的挑战，而张量网络核方法通常会打破高斯性假设。实验表明，LA-TNKM 在各种回归任务上的表现与高斯过程和贝叶斯神经网络相当或更好。
-
新的BSA-TNP模型提供可扩展、准确的时空推理
研究人员推出了一种名为偏置扫描注意力Transformer神经过程（BSA-TNP）的新型神经过程模型。该架构旨在提高对复杂时空数据建模的可扩展性和准确性，解决了现有模型的局限性。BSA-TNP集成了核回归块和内存高效的注意力机制，以实现更快的训练时间和高效处理大型数据集。
-
研究人员统一贝叶斯优化用于平稳点搜索
研究人员开发了一个统一的贝叶斯优化框架，以加速势能面平稳点的搜索。该方法利用具有导数观测和主动学习的高斯过程回归，有可能将昂贵的电子结构评估次数减少一个数量级。该框架已被证明适用于最小化、单点鞍点搜索和双端路径搜索，并附带Rust语言的配套代码以供实际应用。
-
高斯过程赋能非线性间歇过程的数据高效控制
研究人员开发了一种新的基于高斯过程的模型预测控制（GP-MLMPC）方案，用于非线性间歇过程。该方法利用初始批次数据迭代学习动态模型，随着时间的推移提高控制性能，而无需先验的机理知识。GP-MLMPC方案包含不确定性量化以确保安全运行，并在模拟中显著提高了跟踪误差和产品收率。
-
新方法利用视网膜和贝叶斯优化增强低光图像
研究人员开发了FLARE-BO，一个用于改进低光机器人视觉的增强框架。该新方法通过优化八个参数（包括伽马校正、光照归一化和白平衡）来扩展先前无训练的方法。FLARE-BO系统利用高斯过程的贝叶斯优化，为单个图像自适应地调整这些参数，在低光配对数据集上表现优于现有方法。
-
新的希尔伯特空间高斯过程方法加速顺序设计
研究人员开发了一种新的希尔伯特空间高斯过程近似方法，以改进昂贵模拟实验中的顺序设计。这种新颖的方法允许对均方误差积分采集函数进行闭式评估，而这在以前是一个计算瓶颈。与现有基准相比，该方法在预测误差和计算时间方面均有显著降低，为基于高斯过程的顺序设计提供了更准确、更高效的解决方案。
-
AI方法通过稀疏识别解决复杂的非线性偏微分方程
研究人员开发了一个使用稀疏径向基函数网络的求解非线性偏微分方程（PDE）的新颖框架。该方法结合了促进稀疏性的正则化，以管理参数过剩并减少冗余特征，旨在改进现有的方法，如物理信息神经网络和高斯过程。该方法基于再生核巴拿赫空间理论，并采用三阶段算法以提高计算效率，包括自适应特征选择和剪枝。数值实验表明了其有效性，尤其是在其优于高斯过程方法的情况下。
-
机器学习视觉导览 (2015)
本资源集提供了机器学习的广泛概述，涵盖了从基础概念、视觉导览到理论基础和实际应用。它包括一个分类任务的视觉指南，对机器学习基准的科学和伦理的讨论，以及全面的教科书和课程材料的链接。此外，它还重点介绍了可解释机器学习的工具以及在生产环境中部署模型所需的工程实践。