标签
本文介绍了在小数据约束下物理信息机器学习的方法论贡献，使用了包含155个数据点的磨料水射流铣削数据集。研究表明，数据整理选择、评估设计和物理集成形式非常重要，其中高斯过程变体优于其他模型。
本文提出了PC-MCMC-CIGP，这是一种灰盒工作流，结合了spike-and-slab拓扑采样、物理约束和化学信息高斯过程用于反应网络发现。该方法在苯乙烯环氧化反应中提高了产率，并在氢-溴基准测试中区分了基本反应路径与欺骗性拟合。
本文提出了一种非参数多视图高斯过程框架，用于检测机器生成的文本，该框架对诸如释义等对抗性操作具有鲁棒性。通过结合互补特征并提供校准的不确定性，它在保留攻击上优于现有检测器。
本文识别了有界域上高斯过程中边界诱导的采集偏差背后的几何机制，展示了核截断如何独立于目标函数膨胀后验方差并扭曲采集函数。作者引入了一种无函数诊断方法，以量化不同采集类别中的这种偏差。
本文提出基于神经正切核的不确定性量化方法，用于确定性深度学习天气模型，在极端事件期间无需重新训练即可获得更尖锐的自适应预测区间。
本文提出了一种主动时间点选择框架，用于从稀疏快照推断概率路径。通过线性化最优传输将分布映射到切空间，以进行高斯过程建模，从而实现具有不确定性感知的采集策略。
本文从理论上刻画了神经过程（NP）架构的表征能力，证明了条件NP、注意力NP、卷积NP和Transformer NP之间存在严格的层级关系，并表明有限维潜变量不会将表征能力扩展到编码器之外。
本文将对高斯过程和潜在神经过程后验之间的预测KL散度分解为三项，提供了刻画近似误差的上界，并将表示维度与核平滑度联系起来。
论文介绍了Kernel Discovery，这是一个LLM驱动的进化框架，用于高维贝叶斯优化，它搜索更广泛的核空间并在基准测试上取得了最先进的结果。
本文为伪观测批量贝叶斯优化提供了一个统一的理论框架，证明了高斯过程（Gaussian processes）能产生不同的批量点，并且像Constant Liar和Kriging Believer这样的常见方法是一个单一条件化机制的实例。它引入了结构多样性诊断（SDD）来测试代理模型兼容性，并在多个基准函数和超参数调优中验证了预测结果。