Nov, 2015

可扩展的高斯过程用于表征多维变化表面

PDF
TL;DR提出一种可扩展的高斯过程模型，用于确定和表征平滑多维变化点，并自动学习表达协方差结构中的变化。通过 Random Kitchen Sink 特征来灵活地定义变化表面，结合表现力强的谱混合核来捕获复杂的统计结构，最后通过新颖的加性非可分离核方法，可以将模型扩展到大型数据集。我们在数值和实际数据上演示了该模型，包括一个大型时空疾病数据集，在其中确定了先前未知的空间和时间异质性变化。
scalable gaussian process modelmulti-dimensional changepointsspectral mixture kernelsadditive non-separable kernelslarge datasets
发现论文，激发创造
  • 高斯过程与非平稳傅里叶特征的空间映射

    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

  • 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

  • 高斯过程可变形模型

    本文提出了一种新的广义形状模型 Gaussian Process Morphable Models (GPMMs)，采用高斯过程来建模形状变化，结合主成分分析等方法，可以用于非刚性配准和基于模型的分割任务。

    Mar, 2016

  • 高斯过程的变分傅里叶特征

    本篇论文提出了一种组合变分方法和光谱表示的高斯过程近似算法，通过研究高斯过程的光谱特征和协方差，进行了相关推导和分析，并将该算法应用于 Matern 核和高维数据的处理中，结果表明该算法在计算速度和精度方面都表现出色。

    Nov, 2016

  • 变分高斯过程动态系统

    本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题，同时在潜空间中学习动态先验，并允许自动确定潜在空间的维数，该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。

    Jul, 2011

  • 流形高斯过程回归

    本研究提出了一种新的监督学习方法，Manifold Gaussian Processes，该方法通过联合学习将数据转换为特征空间，并从特征空间到观测空间建立了 GP 回归模型，实验结果表明该方法适用于包括非光滑函数和机器人任务等不规则函数。

    Feb, 2014

  • 具有球谐特征的稀疏高斯过程

    该研究提出了一种新的互域变分高斯过程模型，使用球谐表示法将数据映射到单位超球面上，并采用类似变分傅里叶特征的推理方案，这使得模型能够在保持最先进准确度的同时，比标准稀疏高斯过程模型快出两个数量级拟合具有 600 万个条目的回归模型，并在具有非共轭似然函数的分类问题上展现出有竞争力的性能。

    Jun, 2020

  • 用于模式发现和外推的高斯过程内核

    简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

    Feb, 2013

  • 利用高斯过程扩展自动化统计学：可扩展结构发现

    SKC 是一种可扩展的核搜索算法，它利用 Gaussian Processes 为回归问题提供可解释的统计模型，并提出一种廉价的上界，加速模型选择。

    Jun, 2017

  • 大规模高斯过程的思考

    本文介绍了一种高效、可扩展的高斯过程（MSGP）的框架及其初步结果，该框架采用了 Kronecker 乘积和 Toeplitz 矩阵的分解并采用循环矩阵的近似，将 GP 的时间复杂度降至 O (n)，测试点的预测时间复杂度降至 O (1)。

    Nov, 2015