任意潜在流形上的向量场的隐式高斯过程表示

Sep, 2023

任意潜在流形上的向量场的隐式高斯过程表示

Implicit Gaussian process representation of vector fields over arbitrary latent manifolds

Robert L. Peach, Matteo Vinao-Carl, Nir Grossman, Michael David, Emma Mallas...

TL;DRRVGP 是一种推广的高斯过程（GPs），用于学习潜在黎曼流形上的向量信号，通过与数据的常见基于图形的逼近相关的切空间束联结 Laplacian 的特征函数进行位置编码，具有全局规律性，可以在保留奇异点的同时对向量场进行超分辨率重建和内插，用于重构健康人和阿尔茨海默病患者低密度脑电图记录的高密度神经动力学，并且我们发现向量场的奇异点是重要的疾病标记，并且其重建方法在疾病状态的分类精度上与高密度记录相当，因此克服了实验和临床应用中的一个重要限制。

Abstract

gaussian processes (GPs) are popular nonparametric statistical models for learning unknown functions and quantifying the spatiotemporal uncertainty in data. Recent works have extended GPs to model scalar and vector quantities distributed over non-Euclidean domains, including smooth man

gaussian processes riemannian manifolds rvgp neural dynamics alzheimer's patients

发现论文，激发创造

流形上的内禀高斯向量场

本文提出了适用于在流形上的矢量值信号的新型高斯过程模型，考虑了流形的几何特性，并展示了在二维球面和超平面上部署的 Hodge-Matérn 高斯矢量场以及离散二维网格和理想流形的推广方向。同时，证明了我们的高斯矢量场相较于之前提出的外部场具有更加精细的归纳偏差。

Oct, 2023

Manifold GPLVMs 用于发现神经数据中的非欧几里德潜在结构

提出了一种新的概率潜变量模型 (mGPLVM) 来同时确定潜变量状态和神经元对其表示的贡献，以研究神经元编码头部方向及其它相关行为表现内部潜变量构建的问题。

Jun, 2020

流形高斯过程回归

本研究提出了一种新的监督学习方法，Manifold Gaussian Processes，该方法通过联合学习将数据转换为特征空间，并从特征空间到观测空间建立了 GP 回归模型，实验结果表明该方法适用于包括非光滑函数和机器人任务等不规则函数。

Feb, 2014

Riemann 流形上的 Matérn 高斯过程

该论文提出了通过光谱理论在紧致黎曼流形上计算这些过程的核心的技术，从而允许使用加速训练技术训练黎曼 Matern 高斯过程，并将其更易用于机器学习实践。

Jun, 2020

隐含流形高斯过程回归

高斯过程回归是一种用于提供准确的不确定性估计和处理小型或稀疏数据集的方法，然而在高维数据上存在困难，本文提出了一种能够在实际数据中直接推断隐含结构的高斯过程回归技术，并讨论了该模型收敛到假设流形上的 Matern 高斯过程的情况，该技术能够扩展到数十万个数据点，并提高高维情况下标准高斯过程回归的预测性能和校准性。

Oct, 2023

基于随机傅里叶特征的贝叶斯非线性潜变量建模

提出一种新的方法，用于一般化贝叶斯非线性潜在变量建模，通过使用随机傅里叶特征来逼近高斯过程映射中的核函数，从而将 GPLVM 推广至泊松、负二项和多项分布等情况，并通过随机特征潜变量模型（RFLVM）对广泛的应用进行评估，结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。

Jun, 2023

稀疏高斯过程回归和潜变量模型的分布式变分推断

本论文介绍了一种基于稀疏高斯过程回归和潜变量模型的重新参数化变分推断方法，可以有效解决大规模数据集下高斯过程模型的可扩展性问题，并在飞行数据和 MNIST 数据集上证明了其优越性。

Feb, 2014

循环高斯过程

本文介绍了一种基于回归高斯过程（RGP）模型的贝叶斯非参数模型，能够从序列数据中学习动态模式，并提出了一种低维度的 RNN-based 顺序识别模型，可用于非线性系统识别，以及具有广泛适用性的动态学习。

Nov, 2015

一般似然函数的稀疏后验高斯过程

提出一种基于稀疏高斯过程的框架，使用期望传播直接逼近一般高斯过程的似然函数，既包括了 SPGP 和 VSGP 用于回归的特殊情况，又兼顾了在线处理数据的能力，可用于解决分类问题。在基准数据集上的实验表明，该框架在小样本规模下，不仅能够最大程度地逼近非稀疏 GP 解，而且可降低分类错误率。

Mar, 2012

EigenGP: 自适应特征函数高斯过程模型

本研究提出了一种新的贝叶斯方法 ——EigenGP，它在稀疏有限模型中学习基础词典元素 —— 高斯过程的特征函数和先验精度。通过最大化模型边缘似然函数，从数据中学习基础词典元素和相应的先验精度，以及所有其他超参数。与其他稀疏贝叶斯有限模型不同，本方法中的特征函数作为核函数的有限线性组合存在于再生核希尔伯特空间中。实验结果表明 EigenGP 具有比其他稀疏高斯过程方法及相关向量机更优秀的预测性能。

Jan, 2014