Oct, 2022

流式 PAC-Bayes 高斯过程回归与性能保证，用于在线决策

PDF
TL;DR本文提供了一个新的在线高斯过程（GP）算法的理论框架，它基于在线 PAC 贝叶斯理论，并且通过优化经验风险函数和先验分布与后验分布之间的差异来保证其泛化性能和准确性。
gaussian processbayesian optimizationonline learningpac bayes theoryempirical risk
发现论文，激发创造
  • 流式稀疏高斯过程近似

    本文提出了一种新的基于高斯过程概率模型的流数据部署方法，包括学习超参数和优化伪输入位置，并使用合成和真实数据集进行评估。

    May, 2017

  • 在线决策的稀疏变分高斯过程的条件处理

    本文提出了一种名为 OVC 的在线变分条件方法，可以有效地将 SVGPs 与更先进的黑盒优化采集函数配对，即使是在非高斯似然的情况下也能实现，这样一来就可以实现高效的条件并行计算，提供了具有吸引力的性能。

    Oct, 2021

  • 高斯过程回归近似方法评估框架

    本文通过对 4 个预测问题进行 4 种不同近似算法的实证研究，考察预测质量与计算时间之间的关系，并将实验代码共享，以鼓励未来的比较研究。

    May, 2012

  • 通过最小化 PAC-Bayesian 广义化界限来学习高斯过程

    该研究提出了一种使用 PAC-Bayesian 边界来直接优化 GPs 及其稀疏逼近的方法，相比于最大化边缘似然的常规方法，该方法具有更好的稳健性和泛化性能，并在多个回归基准数据集上获得了显着的泛化保证。

    Oct, 2018

  • 高斯过程和贝叶斯优化在金融应用中的作用

    本文探讨了高斯过程和贝叶斯优化这两种方法在金融建模中的应用，特别是在利率期限结构建模和趋势跟踪策略中的运用。

    Mar, 2019

  • 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

  • 贝叶斯优化的量子高斯过程回归

    本文提出了一种基于量子核的高斯过程回归方法，并利用硬件高效特征映射和 Gram 矩阵的精细正则化，展示了量子高斯过程的方差信息可以被保留，以及它可以作为贝叶斯优化的代理模型，最后将该模型应用于机器学习模型的超参数优化，并以实际数据集为例，与经典的贝叶斯优化进行比较，展示了量子版本的性能可以匹配。

    Apr, 2023

  • 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

  • 高阶不确定模型中的实时自适应安全关键控制与高斯过程

    本文提出了一种适应不确定参数系统的自适应在线学习框架，以确保非平稳环境下的安全临界控制；该方法包括两个阶段，第一阶段基于稀疏高斯过程算法改进，第二阶段提出了基于高阶控制屏障函数的安全过滤器与学习模型相结合，并通过实时障碍物避免实验证明了算法的有效性。

    Feb, 2024