Gray-box Inference for Structured Gaussian Process Models

Galliani P.; Dezfouli A.; Bonilla E.; N. Quadrianto

Публикации

?

Gray-box Inference for Structured Gaussian Process Models

P. 353–361.

Galliani P., Dezfouli A., Bonilla E., Квадрианто Н.

Язык: английский

Полный текст

Текст на другом сайте

Ключевые слова: Gaussian processes structured prediction

В книге

Proceedings of Machine Learning Research. 2017. Volume 54: Artificial Intelligence and Statistics

Vol. 54: Artificial Intelligence and Statistics. , [б.и.], 2017.

Surrogate uncertainty estimation for your time series forecasting black-box: learn when to trust

Erlygin L., Zholobov V., Бакланова В. С. и др., , in: 2023 IEEE International Conference on Data Mining Workshops (ICDMW) 1–4 December 2023, Shanghai, China.: Shanghai: IEEE Computer Society, 2023. P. 1247–1258.

Добавлено: 20 марта 2024 г.

Uncertainty Estimation in Autoregressive Structured Prediction

Andrey Malinin, Gales M., , in: Proceedings of the 9th International Conference on Learning Representations (ICLR 2021). ICLR, 2021.: ICLR, 2021. P. 1–31.

Добавлено: 1 ноября 2021 г.

Gaussian processes with multidimensional distribution inputs via optimal transport and Hilbertian embedding

Bachoc F., Суворикова А. Л., Ginsbourger D. и др., Electronic journal of statistics 2020 Vol. 14 No. 2 P. 2742–2772

Добавлено: 30 октября 2020 г.

High extremes of Gaussian chaos processes: a discrete time approximation approach

A. I. Zhdanov, V. I. Piterbarg, Theory Probability and its Applications 2018 Vol. 63 No. 1 P. 1–21

Добавлено: 14 ноября 2019 г.

On probability of high extremes for product of two Gaussian stationary processes

A. I. Zhdanov., Theory Probability and its Applications 2015 Vol. 60 No. 3 P. 520–527

Добавлено: 14 ноября 2019 г.

On probability of high extremes for product of two independent Gaussian stationary processes

Zhdanov A., Piterbarg V.I., Extremes 2015 Vol. 18 No. 1 P. 99–108

Добавлено: 14 ноября 2019 г.

Точная асимптотика малых уклонений в L_2-норме с весом для некоторых гауссовских процессов

Пусев Р. С., Назаров А. И., Записки научных семинаров ПОМИ РАН 2009 Т. 364 С. 166–199

В статье получена точная асимптотика вероятностей малых уклонений в L_2-норме с весом для широкого класса гауссовских процессов, порождающих краевые задачи для обыкновенных дифференциальных операторов. Вычислены точные константы в асимптотике для некоторых процессов, связанных со специальными функциями. ...

Добавлено: 28 января 2019 г.

Scalable Gaussian Processes with Billions of Inducing Inputs via Tensor Train Decomposition

Izmailov P., Новиков А. В., Кропотов Д. А., , in: Proceedings of Machine Learning Research. Proceedings of The International Conference on Artificial Intelligence and Statistics (AISTATS 2018).: [б.и.], 2018. P. 726–735.

Добавлено: 10 декабря 2018 г.

Faster variational inducing input Gaussian process classification

Izmailov P., Кропотов Д. А., Journal of machine learning and data analysis 2017 Vol. 3 No. 1 P. 20–35

Предлагается новый подход к настройке моделей гауссовских процессов для задач классификации. Стандартные методы для данной задачи имеют сложность O(n 3 ), где n — размер обучающей выборки. Данное обстоятельство не позволяет применять эти методы к задачам с большим объемом данных. В связи с этим в литературе был предложен ряд подходов, основанных на использовании так называемых ...

Добавлено: 6 декабря 2018 г.

Quantifying Learning Guarantees for Convex but Inconsistent Surrogates

Струминский К. А., Lacoste-Julien S., Осокин А. А., , in: Advances in Neural Information Processing Systems 31 (NIPS 2018).: [б.и.], 2018. P. 1–9.

Добавлено: 29 октября 2018 г.

Marginal Weighted Maximum Log-likelihood for Efficient Learning of Perturb-and-Map models

Shpakova T., Bach F., Осокин А. А., , in: Proceedings of the international conference on Uncertainty in Artificial Intelligence (UAI 2018).: [б.и.], 2018. P. 1–11.

Добавлено: 29 октября 2018 г.

SEARNN: Training RNNs with global-local losses

Leblond R., Alayrac J., Осокин А. А. и др., , in: Proceedings of the 6th International Conference on Learning Representations (ICLR 2018).: [б.и.], 2018. P. 1–16.

Добавлено: 29 октября 2018 г.

Scalable Gaussian Processes with Billions of Inducing Inputs via Tensor Train Decomposition

Izmailov P., Новиков А. В., Kroptov D., / Series arXiv "math". 2017.

Добавлено: 20 октября 2017 г.

On Structured Prediction Theory with Calibrated Convex Surrogate Losses

Осокин А. А., Bach F., Lacoste-Julien S., , in: Advances in Neural Information Processing Systems 30 (NIPS 2017).: Montreal: Curran Associates, 2017. P. 302–313.

Добавлено: 19 октября 2017 г.

Minding the Gaps for Block Frank-Wolfe Optimization of Structured SVMs

Осокин А. А., Alayrac J., Lukasewitz I. и др., , in: Proceedings of Machine Learning Research. Proceedings of the International Conference on Machine Learning (ICML 2016)Vol. 48.: NY: [б.и.], 2016. P. 885–925.

Добавлено: 19 октября 2017 г.

Context-Aware CNNs for Person Head Detection

Vu T., Осокин А. А., Laptev I., , in: Proceedings of the IEEE International Conference on Computer Vision (ICCV 2015).: Santiago de Chile: IEEE, 2015. P. 2893–2901.

Добавлено: 19 октября 2017 г.

Perceptually Inspired Layout-Aware Losses for Image Segmentation

Осокин А. А., Kohli P., , in: Lecture Notes in Computer Science. Proceedings of the 13th European Conference on Computer Vision (ECCV 2014)* 2. Vol. 8690.: Zürich: Springer, 2014. P. 663–678.

Добавлено: 19 октября 2017 г.