AAAIMay, 2020

纵向深度核高斯过程回归

PDF
TL;DRL-DKGPR 是一种从纵向数据中自动发现复杂的多层关联结构的方法，使用新颖的深度核学习技术，结合了深度神经网络的表达能力和非参数核方法的灵活性，通过引入变分推断的方式从潜变量先验中推理出后验。实验表明该方法较之前的 LDA 方法有明显的提高。
longitudinal datagaussian processesdeep kernel learningmultilevel correlationvariational inference
发现论文，激发创造
  • 潜在高斯过程回归

    介绍了一种名为潜在高斯过程回归的方法，可以扩展输入空间，使用潜在变量来调制协方差函数以处理多模态和非平稳过程的回归问题，并在合成数据和实际应用中进行了验证。

    Jul, 2017

  • lgpr：一种可解释的非参数方法，用于从长期数据推断协变量效应

    使用加性高斯过程进行长期数据的非参数分析，采用可解释性的方法来建模复杂的协方差结构和检测分类和连续协变量及其交互的非线性效应，实现了对协变量效应异质性、时间不确定性和适用于不同生物医学数据类型的观测模型的考虑。

    Dec, 2019

  • 通过非线性复发系统表征深度高斯过程

    通过研究 Deep Gaussian Processes 对应的非线性动态系统，分析了其学习能力随层数增加而显著降低的问题，提供了紧密的界限和动态系统的收敛速度，并将此发现证明实验结果。

    Oct, 2020

  • 模型网络的联合深高斯过程模拟

    本文研究了在现代科学中跨学科问题的集成建模策略，并提出了基于深度高斯过程的新方法，其在预测性能、准确性和不确定性量化方面较传统方法有着显着优势。

    Jun, 2023

  • 核多重网格：通过稀疏高斯过程回归加速反向拟合

    通过利用核包技术（KP），我们证明了后向拟合的收敛速度不会比（1-1/n）^t 更快，其中 n 和 t 分别表示数据大小和迭代次数。因此，后向拟合需要至少 O (n*logn) 次迭代才能达到收敛。在 KP 的基础上，我们进一步提出了一种称为核多网格（KMG）的算法。该算法通过在每次后向拟合迭代之后引入稀疏高斯过程回归（GPR）来处理残差，适用于具有结构化和离散数据的附加 GP。从理论上讲，我们证明了 KMG 将所需迭代次数降低到 O (logn)，同时保持时间和空间复杂度分别为 O (n*logn) 和 O (n)。通过仅使用 10 个诱导点的稀疏 GPR，数值上证明 KMG 可以在 5 次迭代内生成高维目标的精确近似。

    Mar, 2024

  • 卷积核深高斯过程

    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

  • 具有循环结构的可伸缩深度核学习

    提出了 GP-LSTM 模型，利用可闭合表达式内核，在保留高斯过程非参数概率优势的同时，完全包含了 LSTM 递归神经网络的归纳偏置，能够很好地用于处理序列数据，提升了自动驾驶等领域的预测准确性。

    Oct, 2016

  • 时空深入克里金插值和概率预测

    本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测，并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。

    Jun, 2023

  • 线性多核高斯过程：频谱设计与多维数据的分布式学习

    该研究论文提出了一种新颖的基于网格谱混合核的高斯过程模型，该模型在多维数据中减少了超参数数量并保持了优化结构和逼近能力，以及基于交替方向乘子法框架的分布式算法，可以在大数据环境下协同学习，同时保护数据隐私，并通过量化超参数来解决分布式框架中的通信带宽限制问题，实验证明了该方法在不同数据集上具有优秀的预测性能和效率。

    Sep, 2023

  • 高斯过程回归网络

    本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，它结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性，可以适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点，并且提出了该模型的有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程。本文应用 GPRN 提出了多输出回归和多元波动性模型，展示了其在基准数据集上明显优于八个流行的多任务高斯过程模型和三种多元波动性模型的性能，其中包括一个 1000 维基因表达数据集。

    Oct, 2011