Jun, 2023

通过秘密共享实现的实用隐私保护高斯过程回归

PDF
TL;DR本文提出了一种基于秘密共享的隐私保护高斯过程回归方法，可用于多个数据所有者之间的数据共享，并通过新的共享指数运算和基于 Cholesky 分解的共享矩阵逆算法来解决传统高斯过程回归算法中的精度和 / 或效率问题。
gaussian process regressionprivacy-preservingsecret sharingsecure multi-party computationdata privacy
发现论文，激发创造
  • 隐私感知的高斯过程回归

    提出了第一个在隐私约束下进行高斯过程回归的理论和方法框架，其中关键思想是通过添加合成噪声，直到高斯过程模型的预测方差达到预定的隐私水平，来对数据进行保护，并使用半定编程来制定合成噪声的最优协方差矩阵格式，此框架还通过考虑跟踪卫星轨迹的模型进行了说明。

    May, 2023

  • 高斯过程回归的保证覆盖预测区间

    基于一种称为 Conformal Prediction 的机器学习框架的 GPR 扩展，可以在模型完全错误指定的情况下保证产生所需覆盖范围的 PI，实验结果表明其优于现有方法。

    Oct, 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

  • 流式 PAC-Bayes 高斯过程回归与性能保证，用于在线决策

    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。

    Oct, 2022

  • 量子助力高斯过程回归

    本文研究证明了量子线性系统算法可以应用于高斯过程回归中，可以在某些情况下显著降低计算时间。

    Dec, 2015

  • 高斯过程回归的直观教程

    本教程旨在提供对高斯过程回归的直观理解。首先解释了构建高斯过程的基本概念，包括多元正态分布，核函数，非参数模型以及联合和条件概率。然后简要描述了高斯过程回归以及标准高斯过程回归算法的实现。除标准高斯过程回归外，还介绍了实现最先进的高斯过程算法的软件包。本教程以易懂的方式编写，可确保没有机器学习背景的读者能够充分理解高斯过程回归的基础知识。

    Sep, 2020

  • 基于专家乘积的空中高斯过程回归

    本文提出了一种分布式高斯过程回归 (GPR)，名为 AirComp GPR，通过空中计算来实现通信和计算效率，用于无线网络上的数据分析。通过将 GPR 的复杂计算转化为从分布式节点收集数据，实现了较高的计算速度和通信效率。

    Oct, 2022

  • 基于数据相关充分统计扰动的私有回归

    采用后处理方法以私密发布边际导数为基础的数据依赖 SSP，在线性回归和逻辑回归中优于现有的数据无关 SSP，同时与合成数据的训练有关，机制的整体效用取决于对线性查询的回答情况。

    May, 2024

  • 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

  • 使用和积网络学习深层高斯过程专家混合模型

    本文介绍通过将高斯过程嵌入可计算的和积网络中，实现灵活的先验函数分布，从而实现计算和内存高效、容易实施后验推理的概率回归模型。

    Sep, 2018