本文利用行为学实验结果设计核学习框架,逆向工程人类学习者在许多函数外推问题中的归纳偏见,通过学习得到的内核在人类用户外推中展示出一定的心理学见解和效果,并探究了人类和高斯过程的函数学习过程中奥卡姆剃刀的应用。
Oct, 2015
本文介绍了一种基于傅里叶特征表示和深度学习方法的高斯过程模型,可以学习任意复杂度的非平稳协方差核直接从数据中,而不会过拟合,并且可以应用于时间序列和遥感等领域。
Nov, 2017
提出了用于高斯过程回归的非平稳谱核,其谱密度由输入依赖高斯过程频率密度表面的混合物建模,实现了能够学习输入依赖和潜在长程非单调协方差(inputs-dependent and potentially long-range, non-monotonic covariances)的一族非平稳和非单调核函数,并借助模型白化和边缘概率等方法推导出有效的推理方法,证明这些核函数在建模具有非平稳特征的时间序列、图像或地理空间数据时是必要的。
May, 2017
提出一种基于 Levy 过程建模频谱混合密度的内核概率模型,能够自动选择模型阶数、剪枝多余组件、对具备良好不确定性估计的验证数据做长程外推,特别适用于有长程关联的数据集。
Feb, 2018
高斯过程常用于数据的随机函数逼近和不确定性量化,在机器学习中它们表现出优秀的预测能力,尤其在数据稀缺场景下,但核函数作为高斯过程的重要构建模块,通常需要进行复杂的定制,我们通过研究代表性数据集中多种核函数的表现、性质和性能,提出了一种融合现有核函数优点的新核函数。
Sep, 2023
本文提出了一种用于高斯过程建模的新方法,其中计算要求随着数据集的大小呈线性比例增长,与天文时间序列数据的应用作为例子,演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题,具有快速、可解释、可适用于天文数据分析和其他领域等优点。
Mar, 2017
本文提出了一种基于函数内核的学习方法(FKL),通过将高斯过程置于谱密度上,直接推断出内核的功能后验分布,从而能够支持任何平稳内核,具有对内核值的不确定性,以及直接对内核的先验规范,而不需要复杂的初始化或人为干预。我们通过椭圆切片采样进行推断,这对于较强相关性先验的函数空间建模尤其适用。我们将我们的方法应用于非均匀、大规模、多任务和多维数据,并在插值、外推和内核恢复实验中展现了良好的性能。
Oct, 2019
本文旨在探讨适用于构建加法 Kriging 模型的协方差核,并描述所得模型的一些特性。
Nov, 2011
本文提出了使用高斯过程模型来进行非参数回归,分类等任务,通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样,可以发现数据的高级特性并实现预测响应所需输入的相关性。
Jan, 1997
本文介绍用高斯过程进行非线性估计问题的解决,讨论了其中的一些重要方面和扩展,包括递归和自适应算法处理非平稳、低复杂度解决方案、非高斯噪声模型和分类场景,最后提供了几个无线数字通信的应用实例。
Mar, 2013