Buchumschlag

Sliced gradient-enhanced Kriging for high-dimensional function approximation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cheng, Kai, Zimmermann, Ralf
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Conjugate gradient methods for high-dimensional GLMMs
von: Pandolfi, Andrea, et al.
Veröffentlicht: (2024)

Universality of high-dimensional scaling limits of stochastic gradient descent
von: Gheissari, Reza, et al.
Veröffentlicht: (2025)

Probably approximately correct high-dimensional causal effect estimation given a valid adjustment set
von: Choo, Davin, et al.
Veröffentlicht: (2024)

Contraction rates for conjugate gradient and Lanczos approximate posteriors in Gaussian process regression
von: Stankewitz, Bernhard, et al.
Veröffentlicht: (2024)

Dimension lower bounds for linear approaches to function approximation
von: Hsu, Daniel
Veröffentlicht: (2025)

Gaussian-Smoothed Sliced Probability Divergences
von: Alaya, Mokhtar Z., et al.
Veröffentlicht: (2024)

Consistent support recovery for high-dimensional diffusions
von: Marushkevych, Dmytro, et al.
Veröffentlicht: (2025)

Support estimation in high-dimensional heteroscedastic mean regression
von: Hermann, Philipp, et al.
Veröffentlicht: (2020)

Minimax optimal transfer learning for high-dimensional additive regression
von: Moon, Seung Hyun
Veröffentlicht: (2025)

Parametric Mean-Field empirical Bayes in high-dimensional linear regression
von: Lee, Seunghyun, et al.
Veröffentlicht: (2026)

A sparse PAC-Bayesian approach for high-dimensional quantile prediction
von: Mai, The Tien
Veröffentlicht: (2024)

Testing for correlation between network structure and high-dimensional node covariates
von: Fuchs-Kreiss, Alexander, et al.
Veröffentlicht: (2025)

Bayes optimal learning in high-dimensional linear regression with network side information
von: Nandy, Sagnik, et al.
Veröffentlicht: (2023)

Minimax-Optimal Two-Sample Test with Sliced Wasserstein
von: Tran, Binh Thuan, et al.
Veröffentlicht: (2025)

The Connection between Kriging and Large Neural Networks
von: Marinescu, Marius
Veröffentlicht: (2026)

Concentration of a sparse Bayesian model with Horseshoe prior in estimating high-dimensional precision matrix
von: Mai, The Tien
Veröffentlicht: (2024)

A variational Bayes approach to debiased inference for low-dimensional parameters in high-dimensional linear regression
von: Castillo, Ismaël, et al.
Veröffentlicht: (2024)

Learning with Differentially Private (Sliced) Wasserstein Gradients
von: Rodríguez-Vítores, David, et al.
Veröffentlicht: (2025)

Adaptive posterior concentration rates for sparse high-dimensional linear regression with random design and unknown error variance
von: Mai, The Tien
Veröffentlicht: (2024)

Scalability of Metropolis-within-Gibbs schemes for high-dimensional Bayesian models
von: Ascolani, Filippo, et al.
Veröffentlicht: (2024)

Optimal ridge penalty for real-world high-dimensional data can be zero or negative due to the implicit ridge regularization
von: Kobak, Dmitry, et al.
Veröffentlicht: (2018)

Sharp Gaussian approximations for Decentralized Federated Learning
von: Bonnerjee, Soham, et al.
Veröffentlicht: (2025)

High-probability sample complexities for policy evaluation with linear function approximation
von: Li, Gen, et al.
Veröffentlicht: (2023)

Prior-dependent analysis of posterior sampling reinforcement learning with function approximation
von: Li, Yingru, et al.
Veröffentlicht: (2024)

Spike-timing-dependent Hebbian learning as noisy gradient descent
von: Dexheimer, Niklas, et al.
Veröffentlicht: (2025)

Adaptive sparse variational approximations for Gaussian process regression
von: Nieman, Dennis, et al.
Veröffentlicht: (2025)

Smoothed SGD for quantiles: Bahadur representation and Gaussian approximation
von: Chen, Likai, et al.
Veröffentlicht: (2025)

On the best approximation by finite Gaussian mixtures
von: Ma, Yun, et al.
Veröffentlicht: (2024)

On the rate of convergence of an over-parametrized Transformer classifier learned by gradient descent
von: Kohler, Michael, et al.
Veröffentlicht: (2023)

One-step corrected projected stochastic gradient descent for statistical estimation
von: Brouste, Alexandre, et al.
Veröffentlicht: (2023)

Dimension-free bounds in high-dimensional linear regression via error-in-operator approach
von: Noskov, Fedor, et al.
Veröffentlicht: (2025)

Local geometry of high-dimensional mixture models: Effective spectral theory and dynamical transitions
von: Arous, Gerard Ben, et al.
Veröffentlicht: (2025)

Differentially Private Sliced Inverse Regression: Minimax Optimality and Algorithm
von: Xia, Xintao, et al.
Veröffentlicht: (2024)

Continuous-time reinforcement learning: ellipticity enables model-free value function approximation
von: Mou, Wenlong
Veröffentlicht: (2026)

Move on Muon : A Hamiltonian probability gradient flow perspective of Muon optimizer
von: Mustafi, Aratrika, et al.
Veröffentlicht: (2026)

Learning single index model with gradient descent: spectral initialization and precise asymptotics
von: Chen, Yuchen, et al.
Veröffentlicht: (2025)

Convergence of flow-based generative models via proximal gradient descent in Wasserstein space
von: Cheng, Xiuyuan, et al.
Veröffentlicht: (2023)

A unified construction for series representations and finite approximations of completely random measures
von: Lee, Juho, et al.
Veröffentlicht: (2019)

Enabling stratified sampling in high dimensions via nonlinear dimensionality reduction
von: Geraci, Gianluca, et al.
Veröffentlicht: (2025)

Dynamic treatment effects: high-dimensional inference under model misspecification
von: Zhang, Yuqian, et al.
Veröffentlicht: (2021)