本文介绍使用高斯过程在结构核中进行模型选择的方法,并给出在树核上的实验结果,证明其比使用网格搜索的超参数优化方法具有更好的预测性能。
Aug, 2015
本文提出了一种处理高维黑盒函数优化挑战的方法 —— 通过 (1) 推断函数的潜在加法结构以进行更加高效和有效的贝叶斯优化,(2) 并行进行多次评估以减少方法所需的迭代次数。通过 Gibbs 抽样学习潜在结构,并使用定向点过程构建批量查询。实验结果证明,该方法优于现有技术。
Mar, 2017
该论文提出了一种基于变分贝叶斯核选择算法的稀疏高斯过程回归模型,通过将核表示成一个随机变量,并利用其先验和后验信念来学习其不确定性,进而避免避免过度自信,通过随机梯度上升的方法来迭代地最大化变分下界以提高精度,该方法适用于大规模数据集。
Dec, 2019
通过提出一种基于集合的贝叶斯优化方法,我们在积极弥补高计算成本的基础上,解决了传统基于高斯过程实现的贝叶斯优化对于置换不变性的无法满足需求问题,并通过构建置换不变性的集合内核以及基于对称性的可行域收缩获取优化了集合内核的代理函数,并通过数值实验证实我们的方法优于其他方法。
May, 2019
针对移动健康中高效、个性化学习的需求,我们研究了 Gaussian 过程回归中多任务在线核选择问题,提出了一种基于核组合的生成过程方法。我们的方法表明核演化轨迹可以在用户之间进行转移以改善学习,并且核本身对于 mHealth 预测目标具有意义。
Jul, 2021
本文提出一种通过组合基本核函数来寻找最优核函数的方法,使得拟合函数能够分解为易于理解的部分,从而实现对时间序列数据的长程外推,并在多种预测任务上表现出色。
Feb, 2013
该研究讨论了如何通过结构化矩阵来提高贝叶斯优化(Bayesian Optimization,BO)的性能,并针对内核函数的变换和组合,提出了一个结构感知的自动微分算法,可将 BO 扩展到高维度。
Jun, 2022
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
SKC 是一种可扩展的核搜索算法,它利用 Gaussian Processes 为回归问题提供可解释的统计模型,并提出一种廉价的上界,加速模型选择。
Jun, 2017
本论文通过使用一定限制语法的编程方法,对符号回归模型空间的分布及模型之间的相似度进行了分析,研究表明凭借表型相似度,可以得出较为明确的模型分类,为符号回归模型的生成提供重要的信息。
Sep, 2021