- 基于高斯过程的锂离子电池系统健康监测与故障分析
应用高斯过程电阻模型对锂铁磷酸盐电池的实测数据进行分析,实现了对时间依赖性和工作点依赖性电阻的有效分离,进而通过递归时空高斯过程开发了概率性故障检测规则,能够进行高效的在线监测,进一步深入了解电池组在实际应用中的失效过程。
- 基于数据驱动的高斯过程方法识别泊松哈密顿 D-A-E 系统
基于数据驱动的方法,我们提出了一种用于端口 - 哈密顿微分代数方程 (DAE) 系统的识别方法,该方法利用输入和状态空间数据来估计 pH-DAE 系统的非线性努力函数。
- 概率子目标表示的分层强化学习
高层策略给出低层策略达到的子目标,在这篇论文中,我们提出了一种基于高斯过程的概率子目标表示方法,通过可学习的核函数利用状态空间的长程相关性来学习先验规划步骤中的长程子目标信息,从而适应不确定性。同时,我们还提出了一种新的学习目标,以实现概率 - ICML贝叶斯循环回归的 von Mises 准过程
本文介绍了一种用于预测圆形值的回归模型,探讨了与高斯过程相关的一族表达且可解释的分布。该模型密度简单,具有最大熵,通过引入一种新的 Stratonovich-like augmentation,可以进行快速的 Markov Chain Mo - 一种以速率 - 失真为视角的不确定性量化方法
本论文介绍了一种名为 DAB(Distance Aware Bottleneck)的新方法,用于通过学习一个代码本,丰富深度神经网络的性质,从而提供确定性不确定性评估,达到更好的异常检测和误分类预测结果。
- 非对称数据的对称核函数:一个与数据无关的可学习性界限
利用高度理想化的数据测度所关联的特征值和特征函数,可以限制与现实数据上可学性相关的理论下界。作为示例,我们给出了与自然语言处理中的泛化变换器相关的核的复制头样本复杂性的理论下界。
- 斯坦随机特征回归
在大规模回归问题中,通过通过定义核函数的谱密度,利用 Monte Carlo 抽样生成有限的样本集合以形成近似的低秩高斯过程(GP),随机 Fourier 特征(RFFs)显著提高了 GP 的计算可扩展性和灵活性。然而,RFFs 在核逼近和 - 一种基于高斯过程的流式算法,用于带有状态和异常值的时间序列预测
在线预测中的回合切换是文献中广泛研究的一个问题,INTEL 算法运用高斯过程的非参数灵活性提供了一种在线预测回合切换时间序列的方法,该方法通过自适应地结合多个候选模型来实现,我们介绍了 LINTEL 算法,它使用了时间 t 的精确滤波分布进 - 迭代高斯过程的热启动边缘似然优化
通过引入多级边际似然优化和温启动,我们提出了一种迭代高斯过程模型,可以通过重复使用线性系统求解器的解作为下一步的初始化值,在计算不变性的情况下有效地提高回归任务的计算速度。
- 最小化 UCB:局部贝叶斯优化中更好的局部搜索策略
本研究中,我们提出了一种新的局部贝叶斯优化算法 MinUCB,通过在 GIBO 中将梯度下降步骤替换为最小化 UCB 的策略来改进了梯度下降方法,证明了在应用高斯过程作为替代物时,后者可以比直接梯度下降更好。此外,我们还通过前瞻策略改进了 - 大规模空间数据的迭代高斯过程近似方法
高斯过程是灵活的概率回归模型,但其计算规模受限;本文提出了全尺度近似方法,通过预测过程和协方差截尾相结合,减少计算开销,并引入新的预处理器和迭代方法以提高计算速度和预测方法准确度,在实验中证明它相较于现有方法在减少计算时间的同时,具备相同的 - 通过高斯过程在黑盒游戏中进行纳什均衡的无悔学习
这篇论文研究了学习在黑盒游戏中的挑战,其中底层效用函数对任何代理都是未知的。通过实证查询的形式,我们提供了一种利用高斯过程来识别这类游戏中平衡点的无悔学习算法。我们的方法不仅确保了理论上的收敛速率,还通过实验验证在各种游戏中的有效性。
- 潜变量双高斯过程模型用于解码复杂神经数据
该研究引入了一种基于高斯过程模型的新型神经解码器模型,通过两个高斯过程生成神经数据及其相关标签,并使用一组低维潜变量表示神经数据中的潜在流形或重要特征,从而高精度地从神经数据中推断潜变量以解码标签,在口头记忆实验数据集中的应用表明该解码器模 - COBRA -- 基于形状回归分析的置信度评估方法独立的单个图像物体姿态估计质量评估
通过使用多个高斯过程的组合,我们提出了一种用于评分依赖于单幅图像语义分析的姿态估计方法的通用算法。我们的算法利用了轻量级的推准形状表示,从物体的坐标系统中的多个参考点到其表面提供了距离正态分布,从而为评分预测姿态提供了几何评价框架。我们的置 - 基于标签传播的物理信息神经网络与高斯过程训练方案
该论文提出了一种半监督方法来训练基于物理信息的机器学习方法,包括自我训练的基于物理信息的神经网络和基于物理信息的高斯过程,并通过协同训练将两者整合起来。我们通过大量的数值实验展示了这些方法如何改善了物理信息机器学习中常见的时间向前传播信息的 - 基于贝叶斯的预训练模型在低 - shot 图像分类中的探索
基于高斯过程的概率模型集成框架,通过结合 CLIP 和基于各种预训练模型构建的深度核函数集成,实现了先验知识的整合,并在标准基准上通过广泛实验证明了我们方法在预测性能方面始终优于竞争方法。
- 逻辑函数的双曲正切表示:用于 CT 颅内出血概率多元实例学习的应用
该研究论文介绍了多实例学习 (MIL) 的应用及其基于高斯过程 (GPs) 的方法 VGPMIL,同时提出了一种基于 Gamma 分布的新方法,通过广泛的实验证明其在预测性能和效率方面具有竞争力。
- 利用高斯过程从偏好和选择中学习的教程
通过理解个体的偏好和选择方式,构建能够与其预期十分匹配的产品,并将经济学、决策理论原则融入学习过程中,本文提出了一种以高斯过程为基础的偏好学习模型的完整框架,并介绍了一些用于填补现有文献中空白的新颖基于高斯过程的模型。
- 序列学习神经网络的函数空间参数化
通过将神经网络从权重空间转化为函数空间的双参数化技术,我们解决了渐进学习方法在深度学习中的挑战,包括融入新数据和保留先前知识等问题。该技术在大规模数据集上通过稀疏化实现了函数空间方法的可扩展性,同时在有限访问过去数据时保留先前知识,并且在不 - PMBO: 通过多元多项式替代物强化黑箱优化
采用多项式模型为基础的优化方法 (PMBO) 在低维优化问题中表现出色,与经典贝叶斯优化和进化算法相比具有更好的鲁棒性和解释性。