关键词gaussian process classification
搜索结果 - 6
- 逻辑变分贝叶斯重新讨论
本文提出了一种新的边界方法用于估计软加函数期望,并展示了它如何应用于变分逻辑回归和高斯过程分类。与其他边界方法不同,我们的方法不需要扩展变分族或引入额外的参数来确保边界的紧致性。实验证明,这个边界方法比现有方法更紧致,而且计算速度显著更快, - 超越神经网络的理解:模型复杂性的实证探索
网络神经元及其他建模方法中存在着 “不可解释” 的现象,其精确度远超过训练集的表现,本文试图寻找并研究这种神奇现象背后的机制。
- 高斯过程回归和分类的自蒸馏
本研究提出了两种方法来扩展知识蒸馏的概念,包括数据中心方法和分布中心方法,以便用于高斯过程回归和分类,我们的方法可以有效地将知识蒸馏应用于高斯过程模型。
- 高斯过程在分类中的对抗性鲁棒性保证
本文研究了高斯过程分类模型的对抗鲁棒性,提出了一种计算 GPC 在输入空间中最小和最大分类概率的算法,并应用于 2D 合成数据集、SPAM 数据集和 MNIST 数据集的验证,表明我们的方法可用于 GPC 的可解释性分析和提高模型鲁棒性。
- 基于狄利克雷过程的大规模校准分类高斯过程
本文讨论了利用 Dirichlet 分布将 Gaussian 过程回归直接应用于分类标签从而在保证精确性的前提下减少计算开销的新方法。实验证明该方法在减少计算资源消耗的同时也可以提供与 Gaussian 过程分类相当的准确性和不确定性估计。
- 可扩展的变分高斯过程分类
本文介绍了通过变分诱导点框架对高斯过程分类模型进行缩放,超越基准测试数据的最新水平。重要的是,在实验中展示了该变分方法可以用于具有数百万数据点的大数据集的分类。