标签
本文提出了有限库输入扭曲贝叶斯优化（FLIWBO），它从有限库中选择输入扭曲以适应输入几何形状，从而提高优化效率，同时保持高概率收敛保证，在多个基准测试中优于标准GP-UCB。
本文提出了一种针对 Product-of-Experts 高斯过程模型的校准方法，用于修正过高估计的后验方差，增强不确定性量化能力，并提高对大型数据集的可扩展性。
MorphoGP 是一种高斯过程框架，用于预测受潮汐影响的平衡海滩剖面，通过分类专家模型实现了优于基线模型的性能。
This paper introduces KappaSharp, a method for condition-number shaping in Preferential Bayesian Optimization that corrects the ill-conditioned Hessian from isolated pairwise comparisons, showing up to +10.9% improvement over the standard PairedGP/EUBO baseline on 11 benchmarks including plasma medicine controller tuning.
本文提出了一种用于激光粉末床熔融的神经符号闭环架构，其中环内本体将符号推理与统计学习相结合，以控制熔池深度并消除悬垂挂渣。通过校准至NIST AM-Bench基准的代理模型验证了可行性。
本文评估了四种机器学习模型在政策偏好诱导中的离散选择建模，使用蒙特卡洛实验和真实能源政策案例研究，以评估在个体异质性和选择复杂性下的性能。
本文介绍了 ALAS，一种灵活的 Gaussian Process 核族，它从数据中学习稳定性参数以适应平滑度，同时捕捉平滑趋势和尖锐不规则性，具有适用于高维的可分离变体以及关于信息增益的理论保证。
本文提出BattVAE-GP，一种混合物理-概率框架，结合变分自编码器与稀疏多任务高斯过程，生成并插值具有不确定性估计的长时程电池退化轨迹，为锂离子电池健康预测提供高效代理建模。
本文提出了一种用于分位数回归的稀疏高斯过程框架，该框架采用拉普拉斯近似进行后验推断，并利用基于方差的机制实现自适应诱导输入放置和数据获取。
本文提出了用于高斯过程回归中量子核估计的主动样本分配策略，推导出配对级敏感性以指导非均匀样本预算，并在基准测试上展示了相比均匀分配在测试RMSE上的显著改进。
这本书为深度神经网络建立了一套有效理论，表明其预测近似高斯分布，且由深度与宽度的比值主导；并引入了表示群流（representation group flow）来分析信号传播和学习动力学。
提出REEF-GP，一种事后不确定性量化框架，通过将高斯过程拟合到冻结神经算子的残差上并利用其内部嵌入，以低成本实现几何感知且校准的不确定性。
本文提出了针对偏微分方程的结构保持神经替代模型，该模型集成了Gaussian process regression以提供可处理的不确定性量化，从而能够实现具有闭式误差估计的实时仿真。
本文介绍了一种通用加速机制，用于多目标贝叶斯优化，该机制利用高斯过程预测梯度作为辅助信号来增强现有的采集函数，从而在有限的评估预算下更快地收敛到全局帕累托集。
提出了一种用于低数据高维输出问题的Gaussian process latent factor regression (GPLFR)，并通过一个针对岩质系外行星的全球气候模型的空间分辨仿真器进行了演示。
本文以沃克湖的铀和钒浓度数据集为例，说明了如何使用高斯过程（Gaussian processes）的贝叶斯建模来处理坐标存在观测误差的空间数据。
本文将智能体工具使用中的信任校准形式化为一个偏好学习问题，利用高斯过程和贝叶斯优化来决定AI代理的行为何时应自主执行或需要人类批准。