kriging
PulseAugur coverage of kriging — every cluster mentioning kriging across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
高斯过程回归增强了连续动作的蒙特卡洛树搜索
研究人员开发了一种新的蒙特卡洛树搜索（MCTS）方法，该方法利用高斯过程回归来提高在具有连续动作空间的中的性能。该方法旨在更好地聚合来自不同线程的统计数据，为尚未经过广泛试验的动作提供价值估计。在六个域上的评估表明，这种高斯过程聚合策略仅以推理时间的微小增加就优于现有方法。
-
新的高斯过程方法解决了具有不确定性量化的复杂波问题
研究人员开发了一种新颖的方法来解决由亥姆霍兹方程控制的复杂波传播问题，特别是在波数平方为复数的耗散介质中。这种新方法将算子感知高斯过程（GP）回归扩展到处理复值场，方法是将问题转换为等效的实值系统。该方法在基准问题上展示了与有限差分和神经网络基线相比具有竞争力的性能，并提供了量化其预测不确定性的优势。当应用于体外脑磁共振弹性成像时，该技术成功地重建了与测量值高度相关的剪切旋度场。
-
机器学习提高风电预测精度
研究人员开发了先进的机器学习技术来提高风电预测的准确性。对保形分位数回归、自然梯度提升和条件扩散模型与基于树的方法结合的比较分析表明，与确定性基线相比，平均绝对误差显著降低。条件扩散模型取得了最佳性能，与概率性基线相比，平均绝对误差提高了 5%，连续秩概率得分提高了 12%。此外，使用天气集合而非单一提供商可将点预测精度平均提高 17%。
-
机器学习模型在液压离合器控制方面优于基于物理的仿真
本文介绍了一种用于建模液压离合器控制压力的、数据驱动的方法，该方法解决了滞后和锁存跃迁等非线性行为。通过结合当前导数信息并使用非线性支持向量分类器（SVC）来分离操作模式，研究人员开发了一种高斯过程回归模型。与基于物理的Amesim模型相比，这种机器学习方法在重现测量压力响应和滞后方面表现出更高的准确性，表明其在硬件开发和控制器校准中的实用性。
-
新的SHARC框架增强了金融领域机器学习风险模型的可解释性
一篇新的研究论文介绍了一种名为SHARC的可解释性框架，该框架专为用于监管资本估算的机器学习风险模型而设计。SHARC通过将SHapley Additive exPlanations (SHAP)应用于混合GPR-HS架构来解决“黑箱”问题，使其输出可由监管机构审计。该框架成功地将非线性风险输出与底层情景输入联系起来，并揭示了在压力下，平均回报成分对资本水平有显著影响，这对金融风险管理具有启示意义。
-
新的数据驱动模型预测湍流压损
研究人员开发了两种新的数据驱动模型，一种使用克里金法，另一种使用神经网络（NN），以预测多孔板湍流中的压损。这些模型在实验数据上进行了训练，并且一致优于现有的经验公式。NN和克里金模型与实验测量结果吻合良好，并且在RANS方程中作为源项实现时，适用于实际的计算流体动力学应用。
-
新的GAIA框架通过全局数据选择增强LLM指令调优
研究人员开发了GAIA（Global Adaptive Instruction tuning via Gaussian processes），一个用于为大型语言模型（LLM）指令调优选择高质量数据的新框架。与受限于局部批次优化的现有方法不同，GAIA使用高斯过程回归来模拟整个语义空间中的效用。这种全局估计过程，结合自适应策略融合机制，动态地优先处理有价值的样本。该框架还包含动态遗憾保证，即使在训练过程中数据质量分数发生变化，也能确保鲁棒性。
-
新的克里金法和神经网络模型预测压损
研究人员开发了两种新的数据驱动模型，一种使用克里金法，另一种使用人工神经网络（NN），以预测多孔板湍流中的压损。这些模型在现有实验数据上进行了训练，与传统的经验公式相比，表现出了优越的性能。研究还表明，这些数据驱动的方法可以有效地集成到计算流体动力学模拟中，从而为实际应用产生准确的预测。
-
提出用于非线性系统辨识的新框架
研究人员提出了一种新颖的半参数框架——正交差异核（ODKs），用于非线性系统辨识。该方法有效地将差异函数与基于物理的组件分离开来，即使在处理不完整的物理知识时也能实现更具可解释性的模型。ODK框架利用正交高斯过程回归来实现稀疏参数选择与差异学习之间的平衡。
-
新的F2NARX模型为动力学系统提供了显著的效率和准确性提升
研究人员推出了一种新的函数-函数非线性自回归模型（F2NARX），它提高了复杂动力学系统的预测效率和准确性。这一新颖的框架将主成分分析与高斯过程回归相结合，通过自回归方式的无迹变换实现概率预测。F2NARX模型在速度和精度上都显著优于现有的NARX模型，并且其主动学习能力能够以最少的数据量准确估计首次通过失效概率。
-
新AI框架增强多燃料发动机控制性能
研究人员开发了一种新的数据驱动控制框架，用于多燃料压燃（CI）发动机，以应对实现一致燃烧相位的挑战。该系统利用高斯过程回归（GPR）来建模发动机行为，并包含一个实时不确定性补偿机制。这种方法允许动态调整控制输入，以减轻由建模不准确和不同运行条件引起的变化，并具有有限时间收敛的理论保证。
-
AI利用仿真数据重构温度场
研究人员开发了一种新方法，利用基于物理的仿真生成合成数据集来训练神经网络，以重构不可观测的温度场。这种仿真辅助的智能传感方法解决了热监测应用中传感器数据有限的挑战。概念验证表明，在合成数据上训练的神经网络在鲁棒性方面优于Kriging等传统方法，并能实现在线监测的实时推理。
-
新的高斯过程方法重构流场
研究人员开发了一种使用面向物理的高斯过程回归重构流场的新颖方法。该技术将边界约束直接纳入回归过程，从而能够更准确地估计流动动力学。该方法已被证明可以在不需要边界观测的情况下有效模拟空气动力学剖面周围的流体行为。
-
CNNs Offer New Approach to Spatial Interpolation
研究人员开发了一种使用卷积神经网络（CNN）进行空间插值的新方法。该方法在一个部分观测的场上进行训练，以预测未观测位置的值，从而绕过了传统技术（如克里金法）所需的显式协方差建模或变异函数估计。基于CNN的方法提供了一种灵活的、数据驱动的替代方案，能够捕捉局部空间模式，在经典方法可能失效的非平稳环境中尤其有用。
-
多智能体强化学习高效测绘河流羽流
研究人员开发了一种新颖的多智能体强化学习方法，用于河流羽流的长期测绘，并以Douro河为例进行了演示。该方法采用一个中央协调器，该协调器与多个自主水下航行器（AUVs）间歇性通信，以收集数据并发出指令。该系统集成了时空高斯过程回归与多头Q网络控制器，与现有基准相比，显示出更高的准确性和操作续航能力。
-
论文：Transformer 可在上下文中学习分布
一篇新论文探讨了 Transformer 在上下文中学习分布的理论能力，特别关注贝叶斯预测任务。研究人员展示了 Transformer 如何实现梯度下降算法来近似后验预测均值和方差，以及归一化和注意力深度等架构选择如何影响它们的推断能力。高斯过程回归问题的模拟支持了这些发现，为先验数据拟合网络 (PFNs) 的表达力提供了见解。
-
新方法为核回归提供严格的不确定性界限
研究人员开发了一种在新方法，用于在再生核希尔伯特空间中计算多元函数的严格、确定性不确定性界限。该方法旨在处理有界噪声条件，并且可以轻松集成到现有的高斯过程置信界限框架中。新方法推广了先前结果，并通过一个与四旋翼飞行器学习动力学相关的示例进行了演示。
-
新的物理约束GPR改进了结构模态形状重建
研究人员开发了一个新的物理约束高斯过程回归（CONS-SOGP）框架，以从有限的传感器数据中改进结构模态形状的重建。该方法通过引入质量正交性惩罚来解决标准高斯过程回归中的不一致性，确保了物理上合理的结果。对多自由度结构的数值测试证实，与现有技术相比，CONS-SOGP提供了更准确可靠的扩展模态形状。