加仑/加仑

高斯过程机器学习(GPML)工具箱。GPML工具箱为高斯过程(GPML)推断和预测提供了广泛的功能。GPs由平均值和协方差函数指定;我们提供了一个简单的均值和协方差函数库,以及组合更复杂函数的机制。支持几种似然函数,包括高斯和重尾回归函数以及其他适合分类的函数。最后,给出了一系列的推理方法,包括精确和变分推理、期望传播、拉普拉斯处理非高斯似然的方法和处理大型回归任务的FITC方法。


zbMATH中的参考文献(参考 38篇文章 参考,1标准件)

显示结果1到20,共38个。
按年份排序(引用)
  1. Simon Bartels;Hennig,Philipp:核心机器的共轭梯度(2020)
  2. 米凯尔·比诺伊斯;维克多·皮切尼;帕特里克·泰兰迪尔;阿布德拉赫曼·哈巴尔:多目标贝叶斯优化的卡莱-斯莫罗丁斯基解决方案(2020年)
  3. Burkhart,Michael C.;Brandman,David M.;Franco,Brian;Hochberg,Leigh R.;Harrison,Matthew T.:非线性和非高斯观测模型下贝叶斯滤波的判别式卡尔曼滤波器(2020)
  4. 陈,陈;廖启峰:高维随机计算模型的方差分析-高斯过程建模(2020)
  5. 陈汉舒;孟,曾;周焕林:含缺陷加筋壳体多目标高效优化的混合框架(2020)
  6. Hartmann,Marcelo;Vanhatalo,Jarno:具有异方差Student-(t)模型的高斯过程回归的拉普拉斯近似和自然梯度(2019)
  7. William Herlands;Neill,Daniel B.;Nickisch,Hannes;Wilson,Andrew Gordon:表达多维变化点和反事实预测的变化曲面(2019)
  8. 李永强;杨成赞;侯仲生;冯远晶;尹成坤:数据驱动的近似Q-学习镇定与最优误差界分析(2019)
  9. 毛志平;李,甄;卡尼亚达基斯,乔治·埃姆:《非局部聚集动力学:从粒子模拟中学习偏微分方程的分数阶》(2019)
  10. 庞国飞,杨国飞,刘洋,Karniadakis,George Em:神经网络诱导的高斯过程回归函数逼近与偏微分方程解(2019)
  11. Price,Ilan;Fowkes,Jaroslav;Hopman,Daniel:《无约束需求的高斯过程》(2019年)
  12. Bayesian-lenjo-beong-sek模型;Bayesian-lenjo-mgil-Park方法;Bayesian-lenjo-mgil-Park方法;Bayesian-lenjo-mgil-Park方法;基于Bayesian-lenjo-Park的谱分析不是zbMATH
  13. Seshadri,Pranay;Yuchi,Shaowu;Parks,Geoffrey T.:通过高斯脊函数进行降维(2019)
  14. Bradford,Eric;Schweidtmann,Artur M.;Lapkin,Alexei:采用高斯过程、光谱采样和遗传算法的高效多目标优化(2018)
  15. Eric Schulz;Maarten Speekenbrink;Krause,Andreas:高斯过程回归:建模、探索和利用函数的教程(2018)
  16. Van Steenkiste,Tom;Van der Herten,Joachim;couckutt,Ivo;Dhaene,Tom:使用元建模对昂贵黑匣子模拟器进行序贯敏感性分析(2018)
  17. Bussas,Matthias;Sawade,Christoph;Kühn,Nicolas;Scheffer,Tobias;Landwehr,Niels:地理空间迁移学习的变系数模型(2017)
  18. Ghosh,Sanmitra;Dasmahapatra,Srinandan;Maharatna,Koushik:用于估计微分方程中参数的快速近似贝叶斯计算(2017年)
  19. 李永强;侯中胜;冯远晶;迟荣虎:数据驱动的最优性误差界分析近似值迭代(2017)
  20. Matthews,Alexander G.De G.;van der Wilk,Mark;Nickson,Tom;Fujii,Keisuke;Boukouvalas,Alexis;León-Villagrá,Pablo;Ghahramani,Zoubin;Hensman,James:GPflow:使用TensorFlow的高斯过程库(2017)