提出了一种可解释的 DGPs 模型,通过计算精确矩来近似 DGPs,确定了某些 DGP 分布的重尾性质,并识别了 DGP 的表达能力参数,发现了 DGP 组合的非本地和非平稳相关性,并提供了推导二、三或无限层的有效核的通用方法。
May, 2019
本文介绍了一种基于双随机变分推断的方法,用于深度高斯过程模型(Deep Gaussian processes)的推断。该方法能够有效地处理数百个到十亿个数据点的分类和回归任务,验证了其推断模型的实用性。
May, 2017
本文介绍了高斯过程和深度高斯过程,并探讨了用于近似贝叶斯推断的不同变分推断模型及其优点和局限性。
Sep, 2019
本文研发了一种新的近似贝叶斯学习方案,使深高斯过程能够应用于中大规模回归问题,该方法通过近似期望传播程序和概率反向传播算法实现,对于 11 个现实世界数据集的非线性回归评估表明,它始终优于 GP 回归,几乎总是优于 Bayesian 神经网络的基于状态和采样的近似推理方法。
Feb, 2016
本文提出了一种基于 Deep Gaussian processes(DGPs)的新型重要性加权目标函数,通过引入含噪变量作为潜在协变量,相比于经典的变分推断,可以在提高准确性的同时节省计算量,并且在更深层次的模型中表现良好。
本文提出了扩展 Inter-domain Gaussian processes 的 Inter-domain Deep Gaussian Processes 方法,基于现有的近似推理方法使用 inter-domain features 实现简单可扩展的近似推理。我们对各种回归任务的表现进行了评估,并展示了它在具有全局结构和高度不稳定性的大规模实际数据集上优于浅层 Inter-domain Gaussian processes 和传统深度高斯过程。
Nov, 2020
本报告深入概述了 GVI 在 DGPs 中带来的影响和创新,特别是信息几何视角下的模型错误规范性的稳健性和不确定性量化的合理替代方案等修正措施对 DGPs 的改进潜力,并通过相应的实证结果予以证明。
Apr, 2019
本文介绍了深度高斯过程模型,该模型可用于稀少数据的拟合,以及通过贝叶斯方法进行模型选择。
Nov, 2012
本论文针对深度高斯过程在计算机视觉领域应用时存在的挑战(例如卷积结构),提出了一种基于卷积核的卷积 DGP 模型(CDGP)来解决该问题,并在多类图像分类任务中表现出优越性能。
Jun, 2018
本研究使用随机梯度哈密尔顿蒙特卡洛方法对深层高斯过程模型的非高斯后验分布抽样,提供了一种新的推断方法,成为 Deep Gaussian Processes 领域新的最优模型。