Buchumschlag

On the Laplace Approximation as Model Selection Criterion for Gaussian Processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Besginow, Andreas, Hüwel, Jan David, Pawellek, Thomas, Beecks, Christian, Lange-Hegermann, Markus
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics-informed Gaussian Processes as Linear Model Predictive Controller
von: Tebbe, Jörn, et al.
Veröffentlicht: (2024)

Future Aware Safe Active Learning of Time Varying Systems using Gaussian Processes
von: Lange-Hegermann, Markus, et al.
Veröffentlicht: (2024)

Physics-informed Gaussian Processes as Linear Model Predictive Controller with Constraint Satisfaction
von: Tebbe, Jörn, et al.
Veröffentlicht: (2025)

Linear ordinary differential equations constrained Gaussian Processes for solving optimal control problems
von: Besginow, Andreas, et al.
Veröffentlicht: (2025)

laplax -- Laplace Approximations with JAX
von: Weber, Tobias, et al.
Veröffentlicht: (2025)

Approximately Equivariant Recurrent Generative Models for Quasi-Periodic Time Series with a Progressive Training Scheme
von: Fulek, Ruwen, et al.
Veröffentlicht: (2025)

Tubular Riemannian Laplace Approximations for Bayesian Neural Networks
von: David, Rodrigo Pereira
Veröffentlicht: (2025)

Gaussian Process Regression for Inverse Problems in Linear PDEs
von: Li, Xin, et al.
Veröffentlicht: (2025)

FSP-Laplace: Function-Space Priors for the Laplace Approximation in Bayesian Deep Learning
von: Cinquin, Tristan, et al.
Veröffentlicht: (2024)

Self-Supervised Laplace Approximation for Bayesian Uncertainty Quantification
von: Rodemann, Julian, et al.
Veröffentlicht: (2026)

Efficiently Computable Safety Bounds for Gaussian Processes in Active Learning
von: Tebbe, Jörn, et al.
Veröffentlicht: (2024)

Improving Group Fairness in Knowledge Distillation via Laplace Approximation of Early Exits
von: Fasth, Edvin, et al.
Veröffentlicht: (2025)

Informed Spectral Normalized Gaussian Processes for Trajectory Prediction
von: Schlauch, Christian, et al.
Veröffentlicht: (2024)

Gaussian Process Neural Additive Models
von: Zhang, Wei, et al.
Veröffentlicht: (2024)

Clustered FedStack: Intermediate Global Models with Bayesian Information Criterion
von: Shaik, Thanveer, et al.
Veröffentlicht: (2023)

Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
von: Soni, Juhi, et al.
Veröffentlicht: (2025)

Percentile Criterion Optimization in Offline Reinforcement Learning
von: Lobo, Elita A., et al.
Veröffentlicht: (2024)

Dual-Criterion Curriculum Learning: Application to Temporal Data
von: Abel, Gaspard, et al.
Veröffentlicht: (2026)

Identity Curvature Laplace Approximation for Improved Out-of-Distribution Detection
von: Zhdanov, Maksim, et al.
Veröffentlicht: (2023)

LAPLEX: The FFT of Learnable Laplace Kernels
von: Struski, Łukasz, et al.
Veröffentlicht: (2026)

Bayesian Optimization of Process Parameters of a Sensor-Based Sorting System using Gaussian Processes as Surrogate Models
von: Kronenwett, Felix, et al.
Veröffentlicht: (2025)

Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
von: Kollovieh, Marcel, et al.
Veröffentlicht: (2024)

Explanation Beyond Intuition: A Testable Criterion for Inherent Explainability
von: Merry, Michael, et al.
Veröffentlicht: (2025)

Flow-Induced Diagonal Gaussian Processes
von: Lin, Moule, et al.
Veröffentlicht: (2025)

Concurrent Criterion Validation of a Validity Screen for LLM Confidence Signals via Selective Prediction
von: Cacioli, Jon-Paul
Veröffentlicht: (2026)

Selecting Belief-State Approximations in Simulators with Latent States
von: Jiang, Nan
Veröffentlicht: (2025)

The Unreasonable Effectiveness of Discrete-Time Gaussian Process Mixtures for Robot Policy Learning
von: von Hartz, Jan Ole, et al.
Veröffentlicht: (2025)

Quotient Normalized Maximum Likelihood Criterion for Learning Bayesian Network Structures
von: Silander, Tomi, et al.
Veröffentlicht: (2024)

Bayesian Analysis of Combinatorial Gaussian Process Bandits
von: Sandberg, Jack, et al.
Veröffentlicht: (2023)

Certified Robustness from Approximate Gaussian Mixture Structures in Pretrained Latent Spaces
von: Emmanouilidis, Konstantinos, et al.
Veröffentlicht: (2026)

Safe Reinforcement Learning via Recovery-based Shielding with Gaussian Process Dynamics Models
von: Goodall, Alexander W., et al.
Veröffentlicht: (2026)

Latent Laplace Diffusion for Irregular Multivariate Time Series
von: You, Zinuo, et al.
Veröffentlicht: (2026)

Using Forwards-Backwards Models to Approximate MDP Homomorphisms
von: Mavor-Parker, Augustine N., et al.
Veröffentlicht: (2022)

Generating Piano Practice Policy with a Gaussian Process
von: Moringen, Alexandra, et al.
Veröffentlicht: (2024)

An Explainable Gaussian Process Auto-encoder for Tabular Data
von: Zhang, Wei, et al.
Veröffentlicht: (2025)

Revisiting Kernel Attention with Correlated Gaussian Process Representation
von: Bui, Long Minh, et al.
Veröffentlicht: (2025)

Sparse Inducing Points in Deep Gaussian Processes: Enhancing Modeling with Denoising Diffusion Variational Inference
von: Xu, Jian, et al.
Veröffentlicht: (2024)

Flowcean - Model Learning for Cyber-Physical Systems
von: Schmidt, Maximilian, et al.
Veröffentlicht: (2026)

Multi-Objective Reinforcement Learning with Max-Min Criterion: A Game-Theoretic Approach
von: Byeon, Woohyeon, et al.
Veröffentlicht: (2025)

Variational Learning of Gaussian Process Latent Variable Models through Stochastic Gradient Annealed Importance Sampling
von: Xu, Jian, et al.
Veröffentlicht: (2024)