Jan, 2024

用高斯过程回归进行热线风速计的不确定性校准

HTML
PDF
TL;DR使用高斯过程回归的概率校准，本研究旨在克服低成本热线风速计由于气温变化而导致的精度损失。通过对真实数据集的验证，我们的方法在推断实际风速值方面表现良好，并在领域内的实际使用前通过考虑气温进行风速计的校准，估计的风速范围包括对每个速度测量的确定性评估。
发现论文，激发创造
  • 高斯过程的伪边缘贝叶斯推断

    本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。

    Oct, 2013

  • 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

  • 通过高斯过程回归代理进行时间序列预测的不确定性估计

    本研究提出了一种基于替代高斯过程模型的新的不确定性估计方法，能够为任何基础模型提供准确的不确定性估计，并证明该方法在时序预测数据方面比基于引导的方法在中小型数据区域和不同系列的基础模型，包括线性回归，ARIMA和梯度提升中提供更准确的置信区间。

    Feb, 2023

  • 基于贝叶斯方法的不确定输入高斯过程回归

    该研究提出了一种使用贝叶斯方法将观测数据的不确定性与高斯过程回归相结合的方法，因此在科学应用中可以更好地估计不确定性，并获得更稳健的预测结果。

    May, 2023

  • 带测量噪声的 Ornstein-Uhlenbeck 过程参数估计

    本研究旨在探讨噪声对 Ornstein-Uhlenbeck 过程参数拟合的影响，提出识别热噪声和乘性噪声的算法和方法，解决噪声对信号分离精度的影响，并分析两种噪声对参数估计的影响，提出有效的解决方案，对数据分析提出启示。

    May, 2023

  • 基于高斯过程的全局敏感性分析的主动学习

    该论文探讨了将主动学习策略应用于自适应学习 Sobol 指数的全局敏感性分析，提出了一种基于主要效应解决高斯过程的学习策略，并比较了基于总方差的现有策略。实验证明，该策略在小维问题上收敛速度最快，但在大维问题上，性能与随机抽样相当。论文还以大规模边界层风洞实验的自适应实验设计为实例进行了演示。

    Aug, 2023

  • 一种用于工程回归问题的基于物理知识的高斯过程谱

    通过结合机器学习技术和基于物理推理的方法，本文引入一系列可能的高斯过程模型，以提高基于有限数据的预测模型建立能力。这些方法可以显著减少对数据收集的依赖，并增强模型的可解释性。

    Sep, 2023

  • 面向现实感知系统的基于物理模型的数据去噪

    通过加入物理约束，我们设计了一种基于物理的去噪模型，能够提高实际应用中的传感器性能，而无需准确的干净数据作为训练依据，从而实现对成本较低的嘈杂传感器数据的实时去噪处理，达到与高成本替代方法相近的结果，提供更准确的传感器系统所需的高效、经济的方案。

    Nov, 2023

  • 元学习用于标定深度内核高斯过程的回归不确定性估计

    通过最小化测试期望标定误差来从各种任务的数据中元学习如何校准不确定性，并在未知任务中使用这些知识，以改善回归不确定性估计性能。通过将高斯过程和高斯混合模型集成到神经网络模型中，我们可以以端到端的方式元学习模型参数，从而在几次训练的情况下提高不确定性估计性能并保持高回归性能。

    Dec, 2023

  • 通过相应性预测进行操作数据库学习的校正不确定性量化

    运算符学习在科学和工程应用领域中得到了越来越广泛的应用，其中许多需要经过校准的不确定性量化。本文提出了一种风险控制分位数神经运算符，即无分布、有限样本的函数校准型预测方法，通过实验证实了我们的理论结果，显示了校准的覆盖率和高效的不确定性范围，优于基准方法。

    Feb, 2024