Preventing Model Collapse in Gaussian Process Latent Variable Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Ying, Lin, Zhidi, Yin, Feng, Zhang, Michael Minyi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Scalable Random Feature Latent Variable Models
von: Li, Ying, et al.
Veröffentlicht: (2024)

Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems
von: Lin, Zhidi, et al.
Veröffentlicht: (2025)

Multi-View Oriented GPLVM: Expressiveness and Efficiency
von: Yang, Zi, et al.
Veröffentlicht: (2025)

Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference
von: Lin, Zhidi, et al.
Veröffentlicht: (2023)

Sparsity-Aware Distributed Learning for Gaussian Processes with Linear Multiple Kernel
von: Suwandi, Richard Cornelius, et al.
Veröffentlicht: (2023)

Weighted-Sum of Gaussian Process Latent Variable Models
von: Odgers, James, et al.
Veröffentlicht: (2024)

Regularization-Based Efficient Continual Learning in Deep State-Space Models
von: Zhang, Yuanhang, et al.
Veröffentlicht: (2024)

Gaussian Process Latent Variable Modeling for Few-shot Time Series Forecasting
von: Cheng, Yunyao, et al.
Veröffentlicht: (2022)

Transformed Latent Variable Multi-Output Gaussian Processes
von: Jiang, Xiaoyu, et al.
Veröffentlicht: (2026)

Latent Variable Double Gaussian Process Model for Decoding Complex Neural Data
von: Ziaei, Navid, et al.
Veröffentlicht: (2024)

Particle Dynamics for Latent-Variable Energy-Based Models
von: Tang, Shiqin, et al.
Veröffentlicht: (2025)

Golden Ratio Weighting Prevents Model Collapse
von: He, Hengzhi, et al.
Veröffentlicht: (2025)

Federated Automatic Latent Variable Selection in Multi-output Gaussian Processes
von: Gao, Jingyi, et al.
Veröffentlicht: (2024)

Online/Offline Learning to Enable Robust Beamforming: Limited Feedback Meets Deep Generative Models
von: Li, Ying, et al.
Veröffentlicht: (2024)

A Nonparametric Discrete Hawkes Model with a Collapsed Gaussian-Process Prior
von: Brisley, Trinnhallen, et al.
Veröffentlicht: (2025)

Probabilistic Embeddings for Frozen Vision-Language Models: Uncertainty Quantification with Gaussian Process Latent Variable Models
von: Venkataramanan, Aishwarya, et al.
Veröffentlicht: (2025)

Interpretable Multi-Source Data Fusion Through Latent Variable Gaussian Process
von: Ravi, Sandipp Krishnan, et al.
Veröffentlicht: (2024)

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

Intrinsic Gaussian Process Regression Modeling for Manifold-valued Response Variable
von: Wang, Zhanfeng, et al.
Veröffentlicht: (2024)

Distributional Equivalence in Linear Non-Gaussian Latent-Variable Cyclic Causal Models: Characterization and Learning
von: Dai, Haoyue, et al.
Veröffentlicht: (2026)

LaDi-RL: Latent Diffusion Reasoning Prevents Entropy Collapse in Reinforcement Learning
von: Kang, Haoqiang, et al.
Veröffentlicht: (2026)

Scalable Gaussian Processes with Latent Kronecker Structure
von: Lin, Jihao Andreas, et al.
Veröffentlicht: (2025)

Explaining and Preventing Alignment Collapse in Iterative RLHF
von: Gauthier, Etienne, et al.
Veröffentlicht: (2026)

Preventing Model Collapse in Deep Canonical Correlation Analysis by Noise Regularization
von: He, Junlin, et al.
Veröffentlicht: (2024)

Iterative Methods for Vecchia-Laplace Approximations for Latent Gaussian Process Models
von: Kündig, Pascal, et al.
Veröffentlicht: (2023)

Strong Model Collapse
von: Dohmatob, Elvis, et al.
Veröffentlicht: (2024)

Neighbour-Driven Gaussian Process Variational Autoencoders for Scalable Structured Latent Modelling
von: Shi, Xinxing, et al.
Veröffentlicht: (2025)

Preventing Model Collapse via Contraction-Conditioned Neural Filters
von: Han, Zongjian, et al.
Veröffentlicht: (2025)

Transfer Learning for Latent Variable Network Models
von: Jalan, Akhil, et al.
Veröffentlicht: (2024)

Deep Latent Variable Modeling of Physiological Signals
von: Vo, Khuong
Veröffentlicht: (2024)

An Analysis of Attention via the Lens of Exchangeability and Latent Variable Models
von: Zhang, Yufeng, et al.
Veröffentlicht: (2022)

Latent Variable Estimation in Bayesian Black-Litterman Models
von: Lin, Thomas Y. L., et al.
Veröffentlicht: (2025)

Scaling Gaussian Processes for Learning Curve Prediction via Latent Kronecker Structure
von: Lin, Jihao Andreas, et al.
Veröffentlicht: (2024)

Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems
von: Hu, Amber, et al.
Veröffentlicht: (2024)

Modeling Temporal scRNA-seq Data with Latent Gaussian Process and Optimal Transport
von: Balik, Mehmet Yigit, et al.
Veröffentlicht: (2026)

A Bayesian Non-parametric Approach to Generative Models: Integrating Variational Autoencoder and Generative Adversarial Networks using Wasserstein and Maximum Mean Discrepancy
von: Fazeli-Asl, Forough, et al.
Veröffentlicht: (2023)

Accurate Coresets for Latent Variable Models and Regularized Regression
von: Ranjan, Sanskar, et al.
Veröffentlicht: (2024)

Identifying Metric Structures of Deep Latent Variable Models
von: Syrota, Stas, et al.
Veröffentlicht: (2025)

Latent Variable Modeling for Robust Causal Effect Estimation
von: Morimura, Tetsuro, et al.
Veröffentlicht: (2025)

Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators
von: Pan, Ti-Fen, et al.
Veröffentlicht: (2024)