使用贝叶斯非参数概率建模方法,并施加高斯过程先验,共同模拟磁场组件的潜在标量势能,并可以实现磁场的迭代更新,该模型可用于室内定位与导航。
Sep, 2015
室内环境中的铁磁材料引起环境磁场的扰动,可以利用这些磁场扰动制作地图用于室内定位。我们研究了利用磁力计测量和磁力计位置信息学习磁场的空间变化的高斯过程,并探讨如何利用磁力计阵列提高磁场地图的质量。通过模拟和实验数据,我们证明了该方法的有效性。
Oct, 2023
本文提出了一种基于矩阵向量乘法和乘积核结构的新技术,可以在高维空间中实现快速的 Kernel 学习,并实现了令人瞩目的多任务 GPs 性能。
Feb, 2018
本文提出了在结构核插值框架中使用稀疏网格的方法,改进了高斯过程推理的可扩展性。这种方法结合了线性代数和基于单纯形的高维插值方案,使得 SKI 能够在更高维度下可靠地实现精确的推理。
May, 2023
本文提出了一种使用受污染正态似然函数扩展高斯过程框架的方法,以更好地考虑异方差性和异常噪声。我们还提出了一种基于稀疏变分高斯过程方法的可扩展推理算法,用于在大型数据集上拟合具有受污染正态噪声的稀疏高斯过程回归模型。我们在地磁地面扰动应用中进行了实证研究,该应用基于神经网络的最先进预测模型,结果表明与人工密集神经网络基线相比,我们的方法在保持相似的覆盖率和准确性的情况下获得了较短的预测区间。
Feb, 2024
本研究介绍了一种新的结构化核插值(SKI)框架,该框架推广和统一了可扩展高斯过程的引入点方法。SKI 方法通过核插值产生核近似值以进行快速计算,SK 始终讨论了引入点方法的质量如何依赖于插入(插补)点的数量,插值策略和 GP 协方差核。使用 SKI,我们介绍了一种名为 KISS-GP 的本地三次核插值方法,该方法与引入点替代方法相比,更具可伸缩性,并且 自然地启用 Kronecker 和 Toeplitz 代数,无需任何网格数据,并且可用于快速和表达式内核学习,对于 GP 推断,KISS-GP 需要 O(n)时间和存储成本。我们评估了 KISS-GP 的核矩阵近似,核学习,和自然声音建模。
Mar, 2015
本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测,并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。
Jun, 2023
通过将稠密的格子转化为稀疏的单纯形网格,我们提出了一种新的方法 Simplex-GP,把最新的可扩展高斯过程方法 SKI 推广到更高的维度,同时保持较强的预测性能,并提供了一个 CUDA 实现,从而获得了显著的 GPU 加速。
Jun, 2021
本文介绍了一种基于核的高效多线性非参数逼近框架,应用于动态磁共振成像(dMRI)的数据回归和插值。该多线性模型具有降维、高效计算和提取数据模式和几何形状等特点,在严重欠采样的 dMRI 数据测试中较之以往的方法,包括流行的数据建模方法及最近的张量和深度图像先验方案,均表现出了显著的效率和准确性的提升。
Apr, 2023
本文提出了一种多分辨率逼近方法 (M-RA) 来处理具有不同空间坐标观测值的高斯过程,并基于多尺度基函数对空间结构进行建模。该方法既适用于参数推断,又适用于大规模数据集的预测,并且可以在分布式计算环境下实现并行化。通过模拟数据和卫星数据集的比较实验,M-RA 方法表现出优越的性能。
Jul, 2015