Jun, 2019

序贯神经过程

PDF
TL;DR本文提出了一种 Sequential Neural Processes (SNP) 的方法，它通过引入一个时间状态转移模型来扩展 Neural Processes (NP) 的建模能力，以处理动态随机过程。作者还使用 Temporal Generative Query Networks 将 SNP 应用于动态三维场景建模，实现了可以处理 3D 场景时间动态的 4D 模型，并在实验中验证了该方法在动态回归和 4D 场景推断与渲染中的性能。
neural processessequential neural processesdynamic stochastic processes3d scene modelingtemporal generative query networks
发现论文，激发创造
  • 高斯神经过程

    本文对条件神经过程模型中用于训练的最大似然目标进行了严格分析，并提出了神经过程家族的新成员高斯神经过程模型，该模型可以模拟预测相关性，具备平移等变性，提供了通用逼近保证，并显示出良好的性能。

    Jan, 2021

  • 双随机变分推断用于具有分层隐变量的神经过程

    本研究介绍了双重随机变分神经过程 (DSVNP) 这种新型的神经过程变量模型，该模型结合了全局和局部潜在变量以用于预测，并在多输出回归和分类不确定性估计中展示了竞争性的预测表现。

    Aug, 2020

  • 条件神经过程

    本文提出了一系列的神经模型 CNPs，结合了深度神经网络和高斯过程两种方法，旨在对给定数据集做出精确预测。

    Jul, 2018

  • 卷积神经过程用于元学习稳定随机过程预测

    本文提出一种基于卷积神经过程 (Convolutional Neural Process，ConvNP) 的方法，使得神经过程 (NP) 引入了平移等变性并扩展卷积条件 NP 以允许对预测分布的依赖关系进行调整，从而在实现 Thompson 抽样或条件图像完成等相关任务时获得协调的样本，这些任务与真实世界的时空数据相关。

    Jul, 2020

  • 自适应条件分位数神经过程

    本文提出了一种新的神经过程成员 Conditional Quantile Neural Processes（CQNPs），采用量化回归来对复杂的分布进行建模，通过学习估计有信息量的分位数来增强抽样效率和预测准确性，并在实验数据集上与基线算法进行比较，展示了预测性能的显着提高。

    May, 2023

  • 基于图神经网络的时空外推技术

    本文研究了在图形上从周围环境生成目标位置数据的时空外推任务，提出了具有不确定性估计和强大学习能力的空间 - 时间图神经过程模型，并使用贝叶斯聚合算法在转移过程中对上下文数据和图形结构进行了考虑。

    May, 2023

  • 神经过程

    本文介绍了神经过程（NP）这一类神经网络模型，它拥有高效的计算能力、灵活的概率模型，可以适应新的数据，并能够估计其预测的不确定性。同时，神经过程也能像高斯过程一样对函数进行概率建模，具有延迟更新的能力。我们探讨了神经过程在回归和优化等任务中的表现，并与文献中的相关模型进行了对比。

    Jul, 2018

  • 变分神经时序点过程

    本文提出了一种变分神经时间点过程（VNTPP），通过引入推理和生成网络，训练深度神经网络中的潜变量分布以应对时间点过程的随机特性，并利用潜变量分布计算强度函数，从而更准确地预测事件类型和到达时间，实验证明该模型可以广义地表示各种事件类型，并在合成和实际数据集上表现优异。

    Feb, 2022

  • 基于函数马尔可夫转移算子的深度随机过程

    本文介绍了一种新的随机过程类别 Markov 神经过程 (MNPs)，由神经参数化的 Markov 转移算子所构造，证明这些转移算子可以保留 SPs 的交换性和一致性，因此提供了对神经过程 (NPs) 框架的迭代构造的灵活性和表现力，实验表明，在各种任务上，MNPs 模型比基线模型具有明显的优势。

    May, 2023

  • 神经 ODE 过程

    提出了一种新的随机过程 —— 神经 ODE 过程（Neural ODE Processes），用于捕捉低维度和高维度的时间序列系统动力学，并且相较于现有的神经过程模型，该模型具有适应实时应用的能力和更好的不确定性估计。

    Mar, 2021