关键词gaussian process prior
搜索结果 - 7
- 物理增强高斯过程变分自编码器
提出了一种物理增强的变分自编码器,利用高维的图像数据可以学习低维的特征向量,并在学习中加入了物理学中的先验知识,从而提高了自编码器的效率和预测结果的物理正确性。
- 纵向变分自编码器
该研究提出了一种称为长期 VAE(L-VAE)的方法,通过使用多输出加性高斯过程(GP)先验来扩展 VAE 的能力,从而实现在辅助协变量信息的约束下学习结构化低维表示, 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享 - CVPR深度图像先验的贝叶斯视角
本文介绍了自然图像的一种先验算法 —— 深度图像先验,它使用卷积神经网络对随机输入进行输出,通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论,该算法渐近等于一个平稳的高斯过程,这启 - 具未知高斯过程先验的元贝叶斯优化的遗憾界
本文提出一种基于经验贝叶斯的方法,估计高斯过程先验,并构建无偏估计的后验,在线实验中达到近似零遗憾边界。
- ICML一维贝叶斯优化的紧遗憾界
对于一维高斯过程先验和高斯采样噪声下的贝叶斯优化问题,本研究提供了一个理论分析,证明在核函数的一些温和技术假设下,到时间 T 时最好的累积遗憾表现为 Ω(√T) 和 O (√TlogT),这给出了一个紧密的特征,证明了现有界限的接近最优性 - 利用高斯过程进行有限马尔可夫决策过程的安全探索
本文提出针对有安全限制的探索问题的新型算法,使用高斯过程先验来表达未知安全限制,具有积极探索安全状态和行为、同时考虑到可达性并能够完全探索可达状态的能力。演示实验使用机器人探索数字地形模型。
- 高效全局优化算法的收敛速度
通过选取最优的高斯过程先验,构建相应函数空间,提出的多个方法可以最小化某个函数的未知性,包括连续自适应边界算法和高斯过程基本概念,最优化方法如期望改进和随机搜索算法等。