ICMLOct, 2014

基于高斯过程的可扩展非参数贝叶斯点过程推断

PDF
TL;DR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。
non-parametric bayesian modelgaussian processespoisson point processesmcmc samplerdata size
发现论文，激发创造
  • 高斯过程调制泊松过程的变分推理

    本研究提出了一种全新的基于变分贝叶斯推断法的、用于处理连续高斯过程调制泊松过程的方案，并得出了有关神经科学、地理统计和天文学等领域的实验数据，证明这种方案具有非常高的效率和性能优势。

    Nov, 2014

  • 利用变分傅里叶特征进行大规模 Cox 过程推断

    该论文提出了一种基于傅立叶特征的 Cox 过程推断方法，用于在三维空间中模拟具有复杂时空模式的超过 100,000 个事件，其具有比先前方法更一致的优化行为，并能近似贝叶斯估计非高斯后验概率。

    Apr, 2018

  • 高斯过程的伪边缘贝叶斯推断

    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。

    Oct, 2013

  • 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

  • 大数据的高斯过程

    介绍了一种基于随机变分推断方法的高斯过程模型，该方法使高斯过程模型能够应用于包含数百万数据点的数据集，并在需要执行变分推断的情况下，演示了如何将高斯过程分解为依赖于一组全局相关的引出变量的方法，并将其扩展到基于高斯过程的潜变量模型和具有非高斯似然度的模型。作者在简单玩具问题和两个真实数据集上展示了这种方法。

    Sep, 2013

  • 高效非参数贝叶斯 Hawkes 过程

    本文提出了一种高效的 Hawkes 过程核函数的非参数贝叶斯估计方法，通过两种算法实现了灵活的 Hawkes 触发核推断，并在 Twitter 扩散数据集上取得了理论和实证结果上的优越性。

    Oct, 2018

  • 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

  • 快速可扩展的高斯过程建模及其在天文时间序列中的应用

    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

  • 高斯过程在生存分析中的应用

    引入了一种半参数贝叶斯模型用于生存分析，并使用高斯过程来从参数基线风险中非参数地模拟差异，同时考虑协变量的依赖性与左侧，右侧和间隔中断机制，通过 MCMC 算法进行推断并基于随机傅立叶特征的近似方案使计算更快，真实数据实验结果证明我们的模型优于 Cox 比例危险，ANOVA-DDP 和随机生存森林等竞争模型。

    Nov, 2016