Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.12262

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2507.12262 (cs)
[提交于 2025年7月16日 ]

标题: 一种具有神经网络参数的非平稳高斯过程框架

标题: A Framework for Nonstationary Gaussian Processes with Neural Network Parameters

Authors:Zachary James, Joseph Guinness
摘要: 高斯过程因其灵活性和不确定性量化而成为非参数回归的流行工具。 然而,它们通常使用平稳核,这限制了模型的表达能力,并可能不适合许多数据集。 我们提出了一种框架,使用其参数在特征空间中变化的非平稳核,将这些参数建模为以特征作为输入的神经网络的输出。 神经网络和高斯过程通过链式法则计算导数进行联合训练。 我们的方法清晰地描述了非平稳参数的行为,并与用于扩展到大型数据集的近似方法兼容。 它具有灵活性,并且可以轻松适应不同的非平稳核,而无需重新设计优化过程。 我们的方法使用GPyTorch库实现,可以轻松修改。 我们在几个机器学习数据集上测试了我们方法的非平稳方差和噪声变体,发现其准确性以及对数得分均优于平稳模型和使用变分推理近似的分层模型。 对于仅具有非平稳方差的模型,也观察到了类似的结果。 我们还展示了我们的方法恢复空间数据的非平稳参数的能力。
摘要: Gaussian processes have become a popular tool for nonparametric regression because of their flexibility and uncertainty quantification. However, they often use stationary kernels, which limit the expressiveness of the model and may be unsuitable for many datasets. We propose a framework that uses nonstationary kernels whose parameters vary across the feature space, modeling these parameters as the output of a neural network that takes the features as input. The neural network and Gaussian process are trained jointly using the chain rule to calculate derivatives. Our method clearly describes the behavior of the nonstationary parameters and is compatible with approximation methods for scaling to large datasets. It is flexible and easily adapts to different nonstationary kernels without needing to redesign the optimization procedure. Our methods are implemented with the GPyTorch library and can be readily modified. We test a nonstationary variance and noise variant of our method on several machine learning datasets and find that it achieves better accuracy and log-score than both a stationary model and a hierarchical model approximated with variational inference. Similar results are observed for a model with only nonstationary variance. We also demonstrate our approach's ability to recover the nonstationary parameters of a spatial dataset.
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI); 方法论 (stat.ME); 机器学习 (stat.ML)
引用方式: arXiv:2507.12262 [cs.LG]
  (或者 arXiv:2507.12262v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12262
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Zachary James [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 14:09:49 UTC (110 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI
cs.LG
stat.ME
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号