关键词gaussian process model
搜索结果 - 12
- 超出长度：没有遗憾的贝叶斯优化与任意类型的未知超参数
我们提出了第一个在未知超参数情况下具有无悔性特性的算法 HE-GP-UCB，并支持贝叶斯和频率两种设置。
- 通过高斯过程模糊效应进行细粒度的预测模型
通过在时间序列预测中引入端对端的预测和去噪范式，我们提出了一种端对端预测 - 模糊 - 去噪的预测框架，通过鼓励预测模型和去噪模型之间的分工，以提高预测的准确性。经过大量实验证明，我们的方法能够改善多种先进预测模型和去噪方法的预测准确性。
- 一种预测规模较大数据集上分类器准确性的概率方法，基于小规模试验数据
通过使用高斯过程模型，我们提出了一种方法，可以在数据集大小增加时获取关于准确性或类似性能指标的概率推断，通过在六个数据集上的评估，我们发现我们的方法在错误、可能性和覆盖范围方面表现出色。
- 主动水平集估计的有限时间方法
我们考虑在空间采样的背景下的主动学习问题，目标是在尽快的情况下定位所有感兴趣函数超过 / 低于给定阈值的区域。我们提出了一个有限时间搜索过程，以在一维空间中执行级别集估计，同时在固定样本数量的情况下最佳地平衡估计误差和行进距离。我们使用调节 - 一种贝叶斯 - 萨德立体测量方法
本文介绍了 Bayes-Sard cubature 这种结合了 Bayesian cubature 与古典 cubature 的概率框架，并将 Gaussian process model 应用于求解高维积分的方法，该方法比 Bayesia - 基于贝叶斯优化的安全导航在本地化不确定性下的应用
本文介绍了一种基于高斯过程模型的贝叶斯优化方法，能更好的识别安全的地形，解决了移动机器人在荒野独立行走中的定位不确定性问题。
- 优先贝叶斯优化
本文介绍了一种名为 PBO 的新框架，它扩展了标准 BO 的思想，并通过模型化 Bernoulli - 高斯过程模型来建模每个决斗的赢家概率，从而允许在仅通过两两比较的方式来查询隐函数，并且相对于以往方法，该方法在寻找最大值过程中需要极少的 - ACL口语对话系统中基于在线主动奖励学习的策略优化
该论文提出了一种在线学习框架，其中对话策略通过使用高斯过程模型进行主动学习来一起与奖励模型进行联合训练。这个高斯过程是在使用递归神经网络编码器 - 解码器以无监督的方式生成的连续空间对话表示上操作的，旨在显著减少数据注释成本并减轻对话策略学 - NIPS贝叶斯优化用于合成基因设计
本文提出了一种三步法来解决合成基因设计中的优化问题，使用高斯过程模型来模拟细胞行为，定义了基于生物有意义的基因特征的最优基因设计规则，提出了多任务获得函数来同时优化多个感兴趣的方面，并定义了一个评估函数来排列和选择符合最佳设计策略的候选基因 - 作为高斯过程的替代，学生 - t 过程
我们比较了学生 T 过程与高斯过程作为非参函数先验的可行性，证明了学生 T 过程可以保留高斯过程的非参数表示法和解析边缘分布以及预测分布，同时具有增强的灵活性和预测协方差，特别适用于协方差结构发生变化或需要精确预测的情况。
- 加性高斯过程
本文介绍了一种高斯过程模型，其中的函数是可加的，这种函数可分解为低维函数的总和，每个低维函数只依赖于输入变量的一个子集。该模型引入了核函数的一种表达形式，通过它可以高效地评估所有输入交互项，在回归任务中表现出具有先进性的预测能力。
- 计算机实验的顺序设计用于概率失效估计
文章旨在研究如何利用贝叶斯理论和高斯过程模型从已知的概率测度中推断系统失效概率，提出了一种称为 SUR 算法的策略，用于高效地评估 f 的值。