ATR 扭曲方法修正 PFN 在贝叶斯优化中的先验失配
论文指出 Prior-Data Fitted Networks(PFN)在目标函数长度尺度超出元训练先验时,预测似然与优化性能落后于重拟合高斯过程。作者提出各向异性信赖域(ATR)扭曲,通过核目标对齐估计逐维长度尺度并仿射重缩放输入空间,无需重训网络即可改善优化表现,推理成本不变。
共 9 篇相关资讯,按重要度与时间排序,每 3 小时更新。
论文指出 Prior-Data Fitted Networks(PFN)在目标函数长度尺度超出元训练先验时,预测似然与优化性能落后于重拟合高斯过程。作者提出各向异性信赖域(ATR)扭曲,通过核目标对齐估计逐维长度尺度并仿射重缩放输入空间,无需重训网络即可改善优化表现,推理成本不变。
论文针对高斯过程分布式端口哈密顿系统(GP-dPHS)中标准平稳核效率低的问题,提出结构感知核:剔除无关状态坐标,并用张量积协方差解耦状态与空间依赖。非线性弦实验显示结构解耦稳定提升重建精度,匹配空间剖面的核在力场与轨迹重建上收益更大。
论文将不确定性下的多目标优化重新表述为贝叶斯决策问题,最大化超体积的期望值而非各目标期望。作者证明在随机优化框架下可用基于梯度的方法求解,前提是妥善处理被支配点;在缺少可微代码时用高斯过程作为可微代理模型。此外提出若干基于采集函数的主动学习策略以构建适配该多目标问题的代理模型,并在简单解析问题上比…
论文提出 pFedHGP,用于数据分布在异构客户端时的概率回归与分类,将每个客户端的潜在函数分解为共享全局成分、客户端偏差与局部残差。方法通过稀疏诱导变量近似与联邦变分推断保持原始数据本地化,服务器仅同步低维统计量。在压机吨位监测中以 13.77% 标注周期实现完美故障分类,并在联邦空气质量建模中…
论文开发数据驱动传感器布点框架并应用于英国气溶胶监测,将卷积高斯神经过程嵌入 DeepSensor 优化框架。遗传优化配合惰性求值与缓存将平均计算时间降低 60%,联合 NLL 在五个站点后改善约 22%。
论文提出 ADMM-RGP 与 PDMM-RGP 两种分布式递归高斯过程算法,用于多智能体场景下的多输出 GP 回归。作者分析了稳定性与收敛性,并给出加速收敛的参数选择策略以降低通信开销。在真实风电多输出数据集上验证,通信量显著低于现有方法而精度与全网一致性相当。
论文针对美国西部 SNOTEL 网络的雪水当量(SWE)预测,先用高斯过程线性变换去除空间相关性,再训练 LSTM 学习各站点纯净时间信号。该方法优于多个基线,并引入保形预测实现无分布假设的不确定性量化。这为次季节尺度 SWE 预测与完整时空制图提供了可行框架。
研究提出分层贝叶斯优化框架,利用高斯过程元建模处理体系之体系(SoS)问题中的离散架构选择、条件依赖与异构设计变量。相比传统代理方法,该分层形式在有限仿真预算下提升搜索效率与鲁棒性。作者将其应用于欧盟COLOSSUS项目的航空多智能体野火扑救系统,为航空、可持续出行与韧性系统设计提供可迁移方法。
扭曲高斯过程通过参数化变换将非高斯观测映射到潜在标准高斯过程,但现有流式方法要么周期性优化扭曲参数,要么牺牲解析可处理性。论文证明扭曲高斯过程瞬时负对数似然的梯度存在精确递归计算,并据此提出一种在线方法,可同时更新潜在高斯过程矩并优化扭曲参数。