Oct, 2013

高斯过程的伪边缘贝叶斯推断

PDF
TL;DR本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo 积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。
gaussian processbayesian inferencemarkov chain monte carloprobit regressionstatistical models
发现论文，激发创造
  • 高斯过程全贝叶斯回归的近似推理

    本文介绍了高斯过程模型中两种推断超参数后验分布的方法，一种是哈密顿蒙特卡罗（HMC）求解采样近似，另一种是变分推断（VI），其中超参数后验分布被近似为一个因子化的高斯分布或全秩高斯分布，该文分析了完全贝叶斯高斯过程回归在多个基准数据集上的预测性能。

    Dec, 2019

  • 贝叶斯回归和分类高斯过程模型的蒙特卡罗实现

    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

  • 基于贝叶斯方法的不确定输入高斯过程回归

    该研究提出了一种使用贝叶斯方法将观测数据的不确定性与高斯过程回归相结合的方法，因此在科学应用中可以更好地估计不确定性，并获得更稳健的预测结果。

    May, 2023

  • 利用粒子 MCMC 对高斯过程状态空间模型进行贝叶斯推断和学习

    通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。

    Jun, 2013

  • 参数高斯过程回归器

    提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

    Oct, 2019

  • 估计超参数的高斯过程回归的收敛性及在贝叶斯逆问题中的应用

    研究高斯过程回归中的收敛性，着重于层次高斯过程回归，在其中先验未知的高斯过程仿真器的均值和协方差结构中出现的超参数会从数据中学习，并与后验均值和协方差一起计算。提供收敛性分析，并通过连续函数的任何情况下的收敛性说明从数据中学习超参数不会影响高斯过程回归的收敛性，并且在广泛的场景中都得到保证。主要目标是利用高斯过程回归近似贝叶斯反问题的数据似然性，提供了在此背景下引入的误差界限。

    Aug, 2019

  • 基于高斯过程的可扩展非参数贝叶斯点过程推断

    本文提出了第一个使用高斯过程的非参数贝叶斯模型，在不用网格化域或引入潜在稀化点的情况下对泊松点过程进行推断。我们设计了 MCMC 采样器，并展示了我们的模型在合成数据和实际数据上比竞争模型更快，更准确且生成的样本更少相关性。最后，我们证明我们的模型容易处理先前未考虑的数据规模。

    Oct, 2014

  • 高斯过程用于线性偏微分方程贝叶斯反问题

    本研究关注使用高斯代理模型处理与线性偏微分方程相关的贝叶斯反问题，重点关注只有少量训练数据可用的情况下使用的高斯先验类型对于近似后验的性能影响的扩展研究。实验表明 PDE - 信息高斯先验优于传统先验。

    Jul, 2023

  • 针对狄利克雷过程分层模型的追溯马尔可夫链蒙特卡罗方法

    本文介绍了两种新的马尔可夫链蒙特卡罗算法，使用回溯抽样方法，可以避免有限近似，从而精确地从兴趣量的后验分布中进行抽样，同时比较了边缘和条件方法，并包括了模拟研究。

    Oct, 2007

  • 高斯过程预测与蒙特卡洛采样的融合

    本文介绍了应用于科学和工程领域的模型，利用贝叶斯范式和高斯过程生成概率密度函数（pdfs），通过蒙特卡洛抽样来集成这些 pdfs，并通过线性和对数线性汇集方法介绍了对预测 pdfs 的输入相关权重的确定方法，使用合成数据集验证了这些方法的性能。

    Mar, 2024