鲁棒性深高斯过程
本文提出了一种贝叶斯方法,通过非标准变分推理框架在GP-LVM中近似积分出潜在变量,从而通过最大化解析较低下界的确切边缘似然来训练GP-LVM,在学习非线性动态系统方面具有鲁棒性和自动选择非线性潜在空间维数的能力。
Sep, 2014
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。
Jun, 2018
本文探讨了对于Bayesian推断模型的输入扰动的鲁棒性估计问题,通过使用高斯过程理论并提出算法计算当前模型在输入空间中的紧密强度,并应用于两个例子中:一个GP回归问题和一个全连接深度神经网络来研究MNIST数据集上的对抗性例子。
Sep, 2018
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。
May, 2019
提出了Deep Variational Implicit process(DVIP)作为Implicit processes(IPs)的一种多层泛化方法,并通过大规模数据集上的回归和分类实验展示其可扩展性及性能优越于之前的IP-based方法和深层高斯过程。
Jun, 2022
本研究提出了一种基于最近邻预测的高斯过程回归算法,相比于现有算法,该算法具有更快的计算速度和更准确的预测结果,并且其对数据集大小和样本误差的鲁棒性更强。
Jun, 2023
通过变换样本中的联合分布,Deep Transformed Gaussian Processes(DTGPs)构建了多层模型,每一层都是转换高斯过程,增加了模型的灵活性和可扩展性。通过使用变分推断来近似计算,该方法扩展了DSVI推断算法,实验证明在多个回归数据集上取得了良好的性能。
Oct, 2023