标签
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。