Buchumschlag

Robust and Conjugate Gaussian Process Regression

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Altamirano, Matias, Briol, François-Xavier, Knoblauch, Jeremias
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Multi-Output Robust and Conjugate Gaussian Processes
von: Rooijakkers, Joshua, et al.
Veröffentlicht: (2025)

Robust and Conjugate Spatio-Temporal Gaussian Processes
von: Laplante, William, et al.
Veröffentlicht: (2025)

Conjugate Generalised Bayesian Inference for Discrete Doubly Intractable Problems
von: Laplante, William, et al.
Veröffentlicht: (2025)

Outlier-robust Kalman Filtering through Generalised Bayes
von: Duran-Martin, Gerardo, et al.
Veröffentlicht: (2024)

On the Robustness of Kernel Goodness-of-Fit Tests
von: Liu, Xing, et al.
Veröffentlicht: (2024)

Robust Bayesian Optimisation with Unbounded Corruptions
von: Ezzerg, Abdelhamid, et al.
Veröffentlicht: (2025)

Nested Expectations with Kernel Quadrature
von: Chen, Zonghao, et al.
Veröffentlicht: (2025)

Conditional Bayesian Quadrature
von: Chen, Zonghao, et al.
Veröffentlicht: (2024)

Composite Goodness-of-fit Tests with Kernels
von: Key, Oscar, et al.
Veröffentlicht: (2021)

Cost-aware simulation-based inference
von: Bharti, Ayush, et al.
Veröffentlicht: (2024)

BayesSum: Bayesian Quadrature in Discrete Spaces
von: Kang, Sophia Seulkee, et al.
Veröffentlicht: (2025)

Amortised and provably-robust simulation-based inference
von: Bharti, Ayush, et al.
Veröffentlicht: (2026)

A Dictionary of Closed-Form Kernel Mean Embeddings
von: Briol, François-Xavier, et al.
Veröffentlicht: (2025)

Conservative neural posterior estimation via distributionally robust training
von: Laplante, William, et al.
Veröffentlicht: (2026)

Kernel Quantile Embeddings and Associated Probability Metrics
von: Naslidnyk, Masha, et al.
Veröffentlicht: (2025)

Distributionally Robust Active Learning for Gaussian Process Regression
von: Takeno, Shion, et al.
Veröffentlicht: (2025)

Near-Optimal Approximations for Bayesian Inference in Function Space
von: Wild, Veit, et al.
Veröffentlicht: (2025)

Thinned Mean Field Langevin Dynamics
von: Chen, Zonghao, et al.
Veröffentlicht: (2026)

Stationary MMD Points
von: Chen, Zonghao, et al.
Veröffentlicht: (2025)

Evaluating Uncertainty in Deep Gaussian Processes
von: van der Lende, Matthijs, et al.
Veröffentlicht: (2025)

Multilevel neural simulation-based inference
von: Hikida, Yuga, et al.
Veröffentlicht: (2025)

Towards Healing the Blindness of Score Matching
von: Zhang, Mingtian, et al.
Veröffentlicht: (2022)

Implicit Manifold Gaussian Process Regression
von: Fichera, Bernardo, et al.
Veröffentlicht: (2023)

Likelihood-Free Gaussian Process for Regression
von: Shikuri, Yuta
Veröffentlicht: (2020)

Predictively Oriented Posteriors
von: McLatchie, Yann, et al.
Veröffentlicht: (2025)

An Intuitive Tutorial to Gaussian Process Regression
von: Wang, Jie
Veröffentlicht: (2020)

Obstacle-aware Gaussian Process Regression
von: Shrivastava, Gaurav
Veröffentlicht: (2024)

Simplex-to-Euclidean Bijection for Conjugate and Calibrated Multiclass Gaussian Process
von: Williams, Bernardo, et al.
Veröffentlicht: (2026)

Relative Information Gain and Gaussian Process Regression
von: Flynn, Hamish
Veröffentlicht: (2025)

Privacy-aware Gaussian Process Regression
von: Tuo, Rui, et al.
Veröffentlicht: (2023)

Accelerating Non-Conjugate Gaussian Processes By Trading Off Computation For Uncertainty
von: Tatzel, Lukas, et al.
Veröffentlicht: (2023)

Sparse Techniques for Regression in Deep Gaussian Processes
von: Latz, Jonas, et al.
Veröffentlicht: (2025)

Guaranteed Coverage Prediction Intervals with Gaussian Process Regression
von: Papadopoulos, Harris
Veröffentlicht: (2023)

Scaling Gaussian Process Regression with Full Derivative Observations
von: Huang, Daniel
Veröffentlicht: (2025)

TabMGP: Martingale Posterior with TabPFN
von: Ng, Kenyon, et al.
Veröffentlicht: (2025)

Quantum Gaussian Process Regression for Bayesian Optimization
von: Rapp, Frederic, et al.
Veröffentlicht: (2023)

Assessing Quantum Advantage for Gaussian Process Regression
von: Lowe, Dominic, et al.
Veröffentlicht: (2025)

High-Dimensional Gaussian Process Regression with Soft Kernel Interpolation
von: Camaño, Chris, et al.
Veröffentlicht: (2024)

Batch Active Learning in Gaussian Process Regression using Derivatives
von: Yu, Hon Sum Alec, et al.
Veröffentlicht: (2024)

Review of Recent Advances in Gaussian Process Regression Methods
von: Lyu, Chenyi, et al.
Veröffentlicht: (2024)