会员服务
高斯过程（Gaussian Process, GP）是概率论和数理统计中随机过程（stochastic process）的一种，是一系列服从正态分布的随机变量（random variable）在一指数集（index set）内的组合。 高斯过程中任意随机变量的线性组合都服从正态分布，每个有限维分布都是联合正态分布，且其本身在连续指数集上的概率密度函数即是所有随机变量的高斯测度，因此被视为联合正态分布的无限维广义延伸。高斯过程由其数学期望和协方差函数完全决定，并继承了正态分布的诸多性质
Inverse-Free Sparse Variational Gaussian Processes
Arxiv
0+阅读 · 4月1日
Laplace Approximation for Bayesian Tensor Network Kernel Machines
Arxiv
0+阅读 · 4月29日
Fast and Provably Accurate Sequential Designs using Hilbert Space Gaussian Processes
Arxiv
0+阅读 · 4月22日
Vecchia-Inducing-Points Full-Scale Approximations for Gaussian Processes
Arxiv
0+阅读 · 3月27日
Gaussian Process Limit Reveals Structural Benefits of Graph Transformers
Arxiv
0+阅读 · 3月18日
A Hough transform approach to safety-aware scalar field mapping using Gaussian Processes
Arxiv
0+阅读 · 4月22日
MAGPI: Multifidelity-Augmented Gaussian Process Inputs for Surrogate Modeling from Scarce Data
Arxiv
0+阅读 · 3月23日
Data Driven Calibration of Analytical Concrete Creep Models Considering Preloading Effects Using Gaussian Processes
Arxiv
0+阅读 · 4月28日
Fast and accurate conditioning for large-scale and online Gaussian process prediction problems
Arxiv
0+阅读 · 5月4日
Tensor Gaussian Processes: Efficient Solvers for Nonlinear PDEs
Arxiv
0+阅读 · 3月26日
Bayesian Active Learning with Gaussian Processes Guided by LLM Relevance Scoring for Dense Passage Retrieval
Arxiv
0+阅读 · 4月20日
Integrative Learning of Dynamically Evolving Multiplex Graphs and Nodal Attributes Using Neural Network Gaussian Processes with an Application to Dynamic Terrorism Graphs
Arxiv
0+阅读 · 3月21日
Causal-ICM: A Data Fusion Framework For Heterogeneous Treatment Effect Estimation With Multi-Task Gaussian Processes
Arxiv
0+阅读 · 4月2日
Fast Multitask Gaussian Process Regression
Arxiv
0+阅读 · 3月16日
Sequential Inference for Gaussian Processes: A Signal Processing Perspective
Arxiv
0+阅读 · 4月30日
参考链接
微信扫码咨询专知VIP会员
Top