基于狄利克雷过程的大规模校准分类高斯过程

May, 2018

基于狄利克雷过程的大规模校准分类高斯过程

Dirichlet-based Gaussian Processes for Large-scale Calibrated Classification

Dimitrios Milios, Raffaello Camoriano, Pietro Michiardi, Lorenzo Rosasco, Maurizio Filippone

TL;DR本文讨论了利用 Dirichlet 分布将 Gaussian 过程回归直接应用于分类标签从而在保证精确性的前提下减少计算开销的新方法。实验证明该方法在减少计算资源消耗的同时也可以提供与 Gaussian 过程分类相当的准确性和不确定性估计。

Abstract

In this paper, we study the problem of deriving fast and accurate classification algorithms with uncertainty quantification. Gaussian process classification provides a principled approach, but the corresponding c

gaussian process classification uncertainty quantification dirichlet distribution computational resources classification algorithms

发现论文，激发创造

用于分类的非参数校准

提出了一种调整分类器置信度估计的方法，使其接近正确分类的概率，该方法利用了潜在高斯过程的非参数表示，并针对多类分类进行了特别设计，适用于任何输出置信度估计的分类器，不限于神经网络，实验证明其性能强。

Jun, 2019

可扩展的变分高斯过程分类

本文介绍了通过变分诱导点框架对高斯过程分类模型进行缩放，超越基准测试数据的最新水平。重要的是，在实验中展示了该变分方法可以用于具有数百万数据点的大数据集的分类。

Nov, 2014

多分类高斯过程分类变共轭：通过数据增强实现高效推断

本文提出了一种基于改进的 softmax 似然函数的新的可扩展的多类高斯过程分类方法，该新似然函数具有两个好处：它可以导致良好校准的不确定性估计，并允许有效的潜变量扩充。该模型通过块坐标升高更新实现了快速的变分推断方法，具有快速的条件共轭性，既可以实现不确定性校准，又可以实现速度。我们的实验表明，与现有技术相比，我们的方法在具有良好校准的不确定性估计和具有竞争预测性能的情况下，可以快两个数量级。

May, 2019

可扩展的不规则采样时间序列分类高斯过程适配器

提出了一种基于高斯过程适配器的不确定性感知分类框架，通过结构化内核插值框架和 Lanczos 逼近方法进行计算。

Jun, 2016

具有深度卷积高斯过程的贝叶斯图像分类

本研究提出了一种翻译不敏感的卷积核，并将高斯过程重新制定为多输出高斯过程，以实现深度卷积高斯过程。实验证明，与使用 dropout 的贝叶斯深度学习方法相比，我们的全贝叶斯方法在不确定性和边际似然估计方面的性能有所提高。

Feb, 2019

具有贝叶斯深度神经网络的分类快速预测不确定性

本文提出了使用 Dirichlet 近似来构建分类神经网络输出的分布，该近似比先构建权重的 Gaussian 分布再进行采样来得更省时，同时有利于计算不确定性和大规模数据集的应用，例如 ImageNet。

Mar, 2020

利用泊松 - 伽马数据增强实现高效高斯过程分类

提出了一种可扩展的基于 Polya-Gamma 数据增强和诱导点的随机变分方法，通过自然梯度得到闭合式更新以实现高效优化，对真实世界数据集进行了评估并展示了其具有与最先进技术竞争的预测性能，可以比同类算法快两个数量级。

Feb, 2018

使用高斯过程模型检测神经网络中的分类错误

本文提出了一种基于高斯过程的新框架 RED，以产生一种可靠的误分类错误检测度量，从而改善神经网络分类器的可靠性和可拓展性。该方法的有效性在 125 个 UCI 数据集、两个概率基分类器和两个大型深度学习结构的视觉任务中得到了证实，并能够检测错误并理解其来源。

Oct, 2020

元学习用于标定深度内核高斯过程的回归不确定性估计

通过最小化测试期望标定误差来从各种任务的数据中元学习如何校准不确定性，并在未知任务中使用这些知识，以改善回归不确定性估计性能。通过将高斯过程和高斯混合模型集成到神经网络模型中，我们可以以端到端的方式元学习模型参数，从而在几次训练的情况下提高不确定性估计性能并保持高回归性能。

Dec, 2023

通过神经网络高斯过程提高深度学习输出不确定性估计和泛化能力

提出一种简单的方法，将神经网络和高斯过程相结合，以更好地估计输出的不确定性和提高模型的泛化性能，并且采用随机变分推断算法和随机梯度下降法进行模型优化。实验结果表明，该方法在两个时空数据集上均表现出优异的性能。

Jul, 2017