Dec, 2020

遥感中的物理感知高斯过程

PDF
TL;DR本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。
发现论文，激发创造
  • 联合高斯过程用于生物物理参数提取

    本研究提出了一种非线性非参数回归模型 —— 联合高斯过程（JGP），它结合了统计回归与辐射传输模型，采用通过数据模拟的方式学习模型参数，以综合利用模拟与真实数据的优势，研究结果表明，该方法在 LAI 指数反演中表现优异。

    Nov, 2017

  • 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

  • 一种用于工程回归问题的基于物理知识的高斯过程谱

    通过结合机器学习技术和基于物理推理的方法，本文引入一系列可能的高斯过程模型，以提高基于有限数据的预测模型建立能力。这些方法可以显著减少对数据收集的依赖，并增强模型的可解释性。

    Sep, 2023

  • 物理系统学习和随机控制的高斯过程潜在力模型

    本文主要探讨在包含未知输入信号的物理系统中的学习和随机控制问题，这些未知信号以具有一定参数协方差结构的高斯过程（GP）作为模型，得到的潜在力模型（LFMs）可以看作是包含基于物理原理和非参数 GP 模型部分的混合模型。我们简要介绍了这种模型的统计推断和学习方法，引入了针对这种模型的随机控制方法，并为它们提供了新的理论可观测性和可控性结果。

    Sep, 2017

  • 可解释的多源数据融合通过潜变量高斯过程

    提出了一种基于潜在变量高斯过程的多源数据融合框架，用于解决使用多源数据进行系统优化时存在的质量和全面性差异问题，并通过数学和材料科学案例研究验证了该框架在稀疏数据问题、数据源解释性以及模型能力方面的优越性。

    Feb, 2024

  • 使用具有高斯过程的潜在力模型研究药物的病人特异性效应

    本研究提出了一种基于多元高斯过程的模型，该模型将包含因特定治疗措施而产生的生理变化的隐式力模型与反映病人生理特征的高斯过程卷积起来，从而能够较准确地预测病人对治疗措施的生理响应。

    Jun, 2019

  • 快速可扩展的高斯过程建模及其在天文时间序列中的应用

    本文提出了一种用于高斯过程建模的新方法，其中计算要求随着数据集的大小呈线性比例增长，与天文时间序列数据的应用作为例子，演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题，具有快速、可解释、可适用于天文数据分析和其他领域等优点。

    Mar, 2017

  • 深度高斯过程在多保真建模中的梯度增强

    多保真度模型集成多个数据源以产生底层过程的单个逼近器，并通过稠密低保真样本来降低插值误差，通过稀疏高保真样本来补偿低保真样本中的偏差或噪音。本文将深度高斯过程扩展到包含梯度数据，并在实际的偏微分方程问题中进行应用，其中预测高超声速飞行器在一系列飞行条件和几何形状下的空气动力系数。在两个例子中，增强梯度的深度高斯过程模型胜过增强梯度的线性高斯过程模型和非增强梯度的对照模型。

    Feb, 2024

  • 贝叶斯回归和分类高斯过程模型的蒙特卡罗实现

    本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

    Jan, 1997

  • 参数高斯过程回归器

    提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

    Oct, 2019