Feb, 2024

多区域马尔可夫高斯过程：一种有效方法用于发现多个脑区之间的方向性通信

PDF
TL;DR该研究将高斯过程（GP）和线性动力系统（LDS）两种统计模型融合，并创建了一个多区域马尔可夫高斯过程（MRM-GP）模型，通过显式地建模频率和相位滞后，实现了在神经记录的潜在空间中频率和相位时延的探索。该模型在时间点上具有线性推理成本，提供了可解释的低维表示，揭示了不同脑区之间的通信方向，并将振荡通信分离为不同的频带。
发现论文，激发创造
  • 马尔可夫高斯过程：一种用于平稳时序高斯过程的通用状态空间表示

    引入一种通用方法，允许 LDS 模拟平稳的时间 GPs，这种状态空间表示方法称为马尔可夫高斯过程，通过保持高斯过程的灵活性同时维持高效的线性计算，能够组合 GPs 和 LDS 的优点，而不仅限于分离性多输出核函数，对单输出和多输出的平稳时间核函数普遍有效，通过计算协方差、执行回归任务和神经科学应用进行评估，证明了我们的方法能够提供准确的平稳时间 GPs 的状态空间表示。

    Jun, 2024

  • 混合输出高斯过程潜变量模型

    此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。

    Feb, 2024

  • 神经与行为数据的多模态高斯过程变分自编码器

    我们提出了一种无监督的潜在变量模型，可以从不同的实验数据模态中提取演化的共享和独立的潜变量，通过结合高斯过程因子分析和高斯过程变分自编码器的方法，我们在傅里叶域中参数化模型的潜变量，并在两个真实的多模态实验设置上验证了模型的有效性。

    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

  • 基于高斯过程的数据驱动无线通信的最新进展：综述

    该研究论文回顾了一种非参数贝叶斯机器学习方法 - 高斯过程在无线通信中的应用，并介绍了它在可扩展性、可解释性和不确定性建模方面的优势。通过多种可解释的内核设计，描述了高斯过程模型以及其在无线通信系统中的应用，特别是在大规模分布式网络中的应用。

    Mar, 2021

  • 基于模型的高斯过程演示学习

    本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用 MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

    Oct, 2019

  • 大数据的并行高斯过程回归：低秩表示遇上马尔可夫近似

    本文提出了一种低秩 / 马尔科夫逼近的高斯过程模型，该模型在保证预测性能的同时提高了可扩展性并且适合于在多个机器 / 内核上并行运行。

    Nov, 2014

  • 遥感中的物理感知高斯过程

    本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

    Dec, 2020

  • 可解释的多源数据融合通过潜变量高斯过程

    提出了一种基于潜在变量高斯过程的多源数据融合框架，用于解决使用多源数据进行系统优化时存在的质量和全面性差异问题，并通过数学和材料科学案例研究验证了该框架在稀疏数据问题、数据源解释性以及模型能力方面的优越性。

    Feb, 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