Jul, 2024

高斯过程插值与符合预测的方法及比较分析

HTML
PDF
TL;DR本文提倡使用符合性预测方法（CP）来增强高斯过程（GP）插值的校准，证明了使用最大似然选择的参数的GP模型往往导致预测不是最优校准，在保持GP模型准确性的同时，CP方法可以调整预测区间，实现更好的不确定性量化；我们比较了不同的CP变体，并提出了一种基于非对称得分的新变体；我们的数值实验表明，CP方法能够提高校准而不损害准确性，旨在促进GP社区对CP方法的采用。
发现论文，激发创造
  • 高斯过程回归近似方法评估框架

    本文通过对4个预测问题进行4种不同近似算法的实证研究，考察预测质量与计算时间之间的关系，并将实验代码共享，以鼓励未来的比较研究。

    May, 2012

  • 高斯过程的恒定时间预测分布

    本文提出一种基于Lanczos算法的方法LOVE（LanczOs Variance Estimates）来解决高斯过程回归的计算瓶颈，大大提高了协方差的计算效率和采样速度。

    Mar, 2018

  • 高斯过程后验函数的高效采样

    本文提出了一种将高斯过程进行分解，以便通过将先验与数据分离来进行可扩展抽样的方法，同时结合稀疏逼近在训练和测试时间都能够达到可扩展性的一般性方法。实验证明分解后的样本轨迹可以以较低的代价准确地表示高斯过程后验分布。

    Feb, 2020

  • 关于本地自适应 CP 训练的研究

    本文提出了一种新的策略，通过可训练变量的改变使预测间隔适应于局部环境，并使得预测间隔在边际上是有效的，且具有与数据对象属性相关的大小。

    Jun, 2023

  • 深入的高斯过程的非稳态卷积核的统一视角

    高斯过程常用于数据的随机函数逼近和不确定性量化，在机器学习中它们表现出优秀的预测能力，尤其在数据稀缺场景下，但核函数作为高斯过程的重要构建模块，通常需要进行复杂的定制，我们通过研究代表性数据集中多种核函数的表现、性质和性能，提出了一种融合现有核函数优点的新核函数。

    Sep, 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

  • 鲁棒和共轭高斯过程回归

    通过使用广义贝叶斯推理，在几乎没有额外成本的情况下进行可靠的、鲁棒的、共轭的高斯过程回归，实现对高斯过程回归的可靠性和不确定性的确切推断。

    Nov, 2023

  • 高斯过程替代评估的保证覆盖的一致方法

    通过将非一致性得分与高斯过程的后验标准差加权，提出了构建自适应交叉一致性预测区间的方法，这些预测区间具有类似于贝叶斯可信区间的适应性水平，并且在没有基础模型假设的情况下具有频率覆盖保证，可以用于评估高斯过程代理模型的质量，并帮助决策者选择最适合特定应用的最佳先验。

    Jan, 2024

  • 深度分类器的校准和符合预测

    本文研究了温度调节对自适应条件覆盖度提高的置信翻译方法的影响，并通过实证研究和理论分析揭示了一些数学特性，为此现象提供了解释。

    Feb, 2024

  • 物理学中回归问题的多准确度高斯过程代理建模

    通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。

    Apr, 2024