关键词gaussian markov random fields
搜索结果 - 4
- 用于端到端神经数据同化方案的 SPDE 先验不确定性量化
通过将随机偏微分方程与高斯马尔可夫随机场相结合,以及利用深度学习方法,本文提出了一种新的方法来解决大规模地理物理数据的时空插值问题,并提供了解释性和不确定性量化的随机框架。
- ICML可扩展的基于高斯马尔科夫随机场的通用图模型
提出了一种新颖的、基于高斯马尔可夫随机场并利用多层结构的深度高斯马尔可夫随机场模型,该模型在大规模图数据上具有良好的可扩展性和灵活性,并利用变分推断的方法进行高效训练和预测。在多个实验数据集上,该模型都表现出了比其他贝叶斯和深度学习方法更好 - MM伊辛和高斯模型的两样本结构变化检测下界
研究 Markov 随机场的结构的改变检测问题,针对 Ising 模型和具有网络结构的高斯 Markov 随机场的重要情况,研究了样本大小与可靠性之间的平衡,并获得了在这些模型上进行可靠变化检测的信息论下限。
- 利用高斯马尔可夫随机场的土匪群
本研究提出了一种 GOB 模型的 GMRF 扩展方法,结合 Thompson 采样算法,解决了通过传递信息来实现推荐系统等中大规模难题,能够在不需要聚类假设的情况下扩展到更大的图形,并提出了一个学习图形的启发式方法。