- 水质监测中基于本地高斯过程的深度强化多智能体学习框架
提出了一种使用多智能体系统来高效监测水质的水文资源保护方法,通过应用局部高斯过程和深度强化学习来获得有效的监测策略,并表明与现有方法相比,该方法能显著降低水质变量和藻类水华监测的平均估计误差。
- 高斯过程的协方差核采样路径规律
通过对协方差核函数进行充分的必要条件判断,我们揭示了高斯过程的样本路径达到特定规则的条件,并证明了这些结果对机器学习中常用的 Matern 高斯过程等样本路径规则的特征提供了新颖而紧凑的描述。
- AAAI高斯过程和贝叶斯探索的域不变学习
高斯过程的领域不变学习算法(DIL-GP)使得预测在合成和真实的数据集上具备优越性;DIL-GP 贝叶斯优化方法在四旋翼 PID 参数调整实验中展现出有效性。
- 元学习用于标定深度内核高斯过程的回归不确定性估计
通过最小化测试期望标定误差来从各种任务的数据中元学习如何校准不确定性,并在未知任务中使用这些知识,以改善回归不确定性估计性能。通过将高斯过程和高斯混合模型集成到神经网络模型中,我们可以以端到端的方式元学习模型参数,从而在几次训练的情况下提高 - GP+: 基于高斯过程进行核算法学习的 Python 库
通过混合概率学习方法,我们介绍了一种基于高斯过程的开源库 GP+,该库建立在 PyTorch 之上,具有用户友好性和面向对象的特点,用于概率学习和推理。我们还提出了融合非线性流形学习技术和高斯过程的协方差和均值函数的方法,并通过多个实例展示 - 基于数据驱动的自编码数值求解器及不确定性量化用于快速物理模拟
传统的偏微分方程求解器计算成本较高,这促使了更快速方法(如减小的秩模型)的开发。我们提出了 GPLaSDI,一种混合深度学习和贝叶斯减小的秩模型。GPLaSDI 在完全秩模型数据上训练自编码器,并同时学习控制潜在空间的简化方程。这些方程与高 - 高效可拓展的高斯过程元学习
在这篇论文中,我们开发了一种可扩展的基于高斯过程的模块化元学习模型 ScaML-GP,其中的核心贡献是一个经过精心设计的多任务核函数,它实现了层次化训练和任务的可扩展性。通过在元数据上对 ScaML-GP 进行条件化,我们揭示了其模块化特性 - 坎帕拉空气质量监测的高斯过程
利用高斯过程预测空气污染现状以及将来的趋势,并从设备、数据处理方法等方面进行了探索与比较。
- BOIS: 基于贝叶斯优化的互联系统
通过使用自适应线性化的方法来处理复合函数的统计矩问题,引入了一种新的 Bayesian optimization (BO) 模式,可有效利用结构化知识,并在化学过程优化案例研究中取得了性能提升和复合函数统计特性的准确捕捉。
- 使用高斯过程 (GPs) 进行高频交易的短期波动率估计
这篇论文研究了如何利用数值和概率模型进行高频交易的短期波动率和回报预测,通过在 Numerical Market Prediction 模型的输出上应用高斯过程,使用修正后的股价数据建立了一个被审查的高斯过程模型,评估了预测误差。
- 空间贝叶斯神经网络
我们提出了一种新的灵活类的空间过程模型,称为空间贝叶斯神经网络(SBNNs),它通过将空间嵌入层和可能的空间变化的网络参数结合到贝叶斯神经网络中,能更好地匹配目标过程的有限维分布。
- 连续索引张量数据的功能贝叶斯 Tucker 分解
Tucker 分解是一种处理多方面数据的强大张量模型,本文提出了将其扩展到连续索引数据的功能性贝叶斯 Tucker 分解方法,使用高斯过程作为函数先验,并采用消息传递技术进行可扩展的后验近似计算。
- SemiGPC:使用高斯过程进行的分布感知标签细化解决不平衡半监督学习
本文中介绍了 SemiGPC,一种基于高斯过程的分布感知标签细化策略,其中模型的预测源自于标签的后验分布。SemiGPC 通过包含归一化项来解决全局数据分布不平衡同时保持局部敏感度,从而更好地应对确认偏差特别是在类别不平衡条件下。研究结果表 - 在细胞复合体上的高斯过程
近年来,人们对开发图上的机器学习模型产生了相当大的兴趣,以考虑拓扑归纳偏差。本文超越二元关系的设置,研究多项关系,包括顶点、边和称为单元的推广之间的相互作用。我们提出了复杂细胞复合体上的高斯过程,这是图的推广,捕捉了这些高阶单元之间的相互作 - 引入多实例学习中的实例标签相关性。应用于组织病理图像癌症检测
本文通过引入与统计物理的 Ising 模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法 (VGPMIL-PR),提高了在组织病理学图像中检测前列腺癌的效果,并通过可视化和分析提供了洞察力,有望在其他研究领域中应用该模型。
- 霍奇 - 符合边缘高斯过程
我们提出了基于原理的高斯过程(GPs)来建模在简单二维复合物的边集上定义的函数,一种类似于图形的结构,在其中边可以形成三角面。这种方法旨在用于学习在边流可以由离散的散度和旋度描述网络上的流动类型数据。
- 流式因子轨迹学习用于时态张量分解
提出了一种能够处理时间信息的流式数据的张量分解方法,使用高斯过程模型因子轨迹并通过构建等效的随机微分方程实现在线过滤估计,有效捕捉对象表示的时序演化。
- 利用分层高斯过程和神经网络回归模型建模加利福尼亚中央谷地的地下水位
使用机器学习方法,从中央谷地 (CV) 含水层的三维岩性纹理模型中学习,建立了一个新颖的地下水位模型。通过结合高斯过程 (GP) 和深度神经网络 (DNN) 进行多变量回归,该模型显示了在低质量的、时间和空间采样稀疏且带有噪音的井数据中,G - 浅层和深层高斯过程
该研究提出了一种新的方法,称为 Thin and Deep GP (TDGP),它通过定义原始输入数据的局部线性变换来保持潜在嵌入的概念,并保留核函数的长度尺度的解释性。与先前的方法不同,TDGP 引入的流形可避免路径学习中的特殊病理问题, - 宽神经网络作为高斯过程:深度平衡模型的教训
当 DEQ 层的宽度趋近于无穷大时,它收敛到一个高斯过程,建立了所谓的神经网络和高斯过程 (NNGP) 的对应关系,这种收敛甚至在深度和宽度的极限互换的情况下也成立,这些发现为研究 DEQ 的训练和泛化提供了基础,为未来的研究奠定了基础。