09:10官方账号arXiv cs.LG@Michael Unser精选该论文展示了有限维线性逆问题中的最小均方误差估计器如何扩展到无限维设置。广义样条作为线性回归器,核空间S上的广义高斯过程对应高斯随机向量。研究引入了白化/正则化算子L,其连续扩展诱导出希尔伯特空间H。该方法能恢复所有已知等价实例,包括Kailath及其学生开发的创新方法和核希尔伯特空间方法,以及分数样条与Mandelbrot分数布朗运动之间的数学对应关系。论文广义样条高斯过程逆问题推荐理由:这篇论文揭示了广义样条与高斯过程在无限维逆问题中的等价关系,能连接多种已知数学方法。原文稍后读已读值得跟进有用关注 广义样条
10:34官方账号arXiv cs.LG@Ajith Anil Meera, Pablo Lanillos, Wouter Kouw该论文提出用主动推理中的预期自由能(EFE)作为统一准则,解决机器人在未知环境(如火星找水)中同时构建信息地图和寻找高价值区域的问题。方法基于高斯过程维护信息场信念,并在硬路径长度约束下规划连续轨迹。多组实验显示,EFE规划在相同条件下优于信息论基线,能同时获得准确后验地图并定位高价值区域。该策略易于调参,适合自主部署并满足效率与资源约束。论文EFE主动推理高斯过程推荐理由:这篇论文把主动推理的EFE用到火星车探路上,一套准则同时搞定画地图和找目标,比纯信息论方法更省路。原文稍后读已读值得跟进有用关注 EFE
11:15官方账号arXiv cs.LG@Aurélien Pion, Emmanuel Vazquez精选贝叶斯优化依赖高斯过程预测分布来选择评估点,但核函数和超参数选择可能导致预测分布校准不良,影响探索-利用平衡。针对最小化问题,期望改进等采样准则依赖于当前最优值以下的预测分布,下尾校准直接决定采样决策。本文提出tcGP,一种后处理方法,专门校准高斯过程在低阈值以下的预测分布,并证明基于tcGP的EI全局优化算法在设计空间中是稠密的。标准基准实验表明,tcGP相比标准GP和全局校准GP,显著改善了下尾校准和贝叶斯优化性能。论文贝叶斯优化高斯过程下尾校准推荐理由:做贝叶斯优化的团队终于有了专门解决下尾校准问题的工具——tcGP直接提升低值区域的预测可靠性,让EI采样更精准,做超参数调优或实验设计的建议试试。原文稍后读已读值得跟进有用关注 贝叶斯优化