计算机科学 > 机器学习
[提交于 2025年4月1日
]
标题: 预处理的加性高斯过程与傅里叶加速
标题: Preconditioned Additive Gaussian Processes with Fourier Acceleration
摘要: 高斯过程(GPs)在机器学习中对于量化预测中的不确定性至关重要。然而,由核函数定义的其相关协方差矩阵通常是密集且大规模的,带来了显著的计算挑战。本文介绍了一种无矩阵方法,利用非均匀快速傅里叶变换(NFFT)在预先确定的精度水平下实现核矩阵及其导数与向量相乘的近线性复杂度。为了解决高维问题,我们提出了加性核方法。该方法中的每个子核捕获低阶特征交互,允许高效应用NFFT方法,并可能提高各种真实世界数据集上的准确性。此外,我们还实施了一种预处理策略以加速超参数调优,进一步提高了高斯过程的效率和有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.