高斯过程艺术

高斯过程(GP)是用于连续函数的贝叶斯非参数模型,它允许不确定性量化、可解释性和专家知识的整合。在过去的十年里,高斯过程的理论和实践蓬勃发展,研究人员研究了基于高斯过程模型的表现力和效率,实践者将它们应用到过多的学科中。本教程介绍了使用GPs的数据建模的基础理论和现代发展,接下来一步一步的直观展示插图和现实世界的例子。教程将从强调GP模型的构建块开始,然后移动到内核函数的选择,有效的训练策略和非高斯扩展。本教程的第二部分将展示更近期的进展,如潜在变量模型、深度GPs、当前内核设计的趋势以及GPs和深度神经网络之间的联系。我们希望通过这次展示经典和当代高斯过程工作的展示,激发参与者将高斯过程融入到他们的应用中,激励他们继续学习,并为该领域的当前发展做出贡献。。

https://nips.cc/Conferences/2021/Schedule?showEvent=21890

成为VIP会员查看完整内容
21

相关内容

高斯过程(Gaussian Process, GP)是概率论和数理统计中随机过程(stochastic process)的一种,是一系列服从正态分布的随机变量(random variable)在一指数集(index set)内的组合。 高斯过程中任意随机变量的线性组合都服从正态分布,每个有限维分布都是联合正态分布,且其本身在连续指数集上的概率密度函数即是所有随机变量的高斯测度,因此被视为联合正态分布的无限维广义延伸。高斯过程由其数学期望和协方差函数完全决定,并继承了正态分布的诸多性质
专知会员服务
29+阅读 · 2021年10月17日
专知会员服务
76+阅读 · 2021年7月23日
【IJCAI】大规模可扩展深度学习,82页ppt
专知会员服务
27+阅读 · 2021年1月10日
【NeurIPS2020】因果推断学习教程,70页ppt
专知会员服务
189+阅读 · 2020年12月12日
【NeurIPS 2020】近似推断进展,272页ppt
专知会员服务
32+阅读 · 2020年12月11日
【NeurIPS 2020】深度学习的不确定性估计和鲁棒性
专知会员服务
49+阅读 · 2020年12月8日
【纽约大学Sean】神经文本退化:一致性和学习,93页ppt
专知会员服务
14+阅读 · 2020年10月18日
【ICML2020】基于模型的强化学习方法教程,279页ppt
专知会员服务
125+阅读 · 2020年7月20日
246 页《统计机器学习与凸优化》教程 PPT 下载
新智元
24+阅读 · 2018年9月21日
深度学习线性代数简明教程
论智
11+阅读 · 2018年5月30日
Arxiv
0+阅读 · 2022年2月5日
Arxiv
0+阅读 · 2022年2月4日
Arxiv
0+阅读 · 2022年2月4日
Sparse Sequence-to-Sequence Models
Arxiv
5+阅读 · 2019年5月14日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Arxiv
6+阅读 · 2017年12月7日
VIP会员
相关VIP内容
专知会员服务
29+阅读 · 2021年10月17日
专知会员服务
76+阅读 · 2021年7月23日
【IJCAI】大规模可扩展深度学习,82页ppt
专知会员服务
27+阅读 · 2021年1月10日
【NeurIPS2020】因果推断学习教程,70页ppt
专知会员服务
189+阅读 · 2020年12月12日
【NeurIPS 2020】近似推断进展,272页ppt
专知会员服务
32+阅读 · 2020年12月11日
【NeurIPS 2020】深度学习的不确定性估计和鲁棒性
专知会员服务
49+阅读 · 2020年12月8日
【纽约大学Sean】神经文本退化:一致性和学习,93页ppt
专知会员服务
14+阅读 · 2020年10月18日
【ICML2020】基于模型的强化学习方法教程,279页ppt
专知会员服务
125+阅读 · 2020年7月20日
相关论文
微信扫码咨询专知VIP会员