Buchumschlag

Practical Global and Local Bounds in Gaussian Process Regression via Chaining

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Junyi, Kok, Stanley
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Prediction of Bank Credit Ratings using Heterogeneous Topological Graph Neural Networks
von: Liu, Junyi, et al.
Veröffentlicht: (2025)

Interpretable Predictive Models for Healthcare via Rational Logistic Regression
von: Suttaket, Thiti, et al.
Veröffentlicht: (2024)

In-Training Multicalibrated Survival Analysis for Healthcare via Constrained Optimization
von: Suttaket, Thiti, et al.
Veröffentlicht: (2025)

Error Bounds For Gaussian Process Regression Under Bounded Support Noise With Applications To Safety Certification
von: Reed, Robert, et al.
Veröffentlicht: (2024)

The Theory and Practice of Highly Scalable Gaussian Process Regression with Nearest Neighbours
von: Allison, Robert, et al.
Veröffentlicht: (2026)

Uniform Error Bounds for Gaussian Process Regression with Application to Safe Control
von: Lederer, Armin, et al.
Veröffentlicht: (2019)

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

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

Robust and Conjugate Gaussian Process Regression
von: Altamirano, Matias, et al.
Veröffentlicht: (2023)

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

Explainable AI for Comprehensive Risk Assessment for Financial Reports: A Lightweight Hierarchical Transformer Network Approach
von: Tan, Xue Wen, et al.
Veröffentlicht: (2025)

Explainable Risk Classification in Financial Reports
von: Tan, Xue Wen, et al.
Veröffentlicht: (2024)

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

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

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

Kernel Multigrid: Accelerate Back-fitting via Sparse Gaussian Process Regression
von: Zou, Lu, et al.
Veröffentlicht: (2024)

Active Learning for Manifold Gaussian Process Regression
von: Cheng, Yuanxing, et al.
Veröffentlicht: (2025)

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

On Uniform Error Bounds for Kernel Regression under Non-Gaussian Noise
von: Teutsch, Johannes, et al.
Veröffentlicht: (2026)

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

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

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

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

Wasserstein-type Gaussian Process Regressions for Input Measurement Uncertainty
von: Luo, Hengrui, et al.
Veröffentlicht: (2026)

From Local Interactions to Global Operators: Scalable Gaussian Process Operator for Physical Systems
von: Kumar, Sawan, et al.
Veröffentlicht: (2025)

Sharp Risk Bounds for Early-Stopping in Gaussian Linear Regression
von: Wegel, Tobias, et al.
Veröffentlicht: (2025)

Improved Regret Bounds for Gaussian Process Upper Confidence Bound in Bayesian Optimization
von: Iwazaki, Shogo
Veröffentlicht: (2025)

Empirical Asset Pricing via Ensemble Gaussian Process Regression
von: Filipović, Damir, et al.
Veröffentlicht: (2022)

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

New Bounds for Sparse Variational Gaussian Processes
von: Titsias, Michalis K.
Veröffentlicht: (2025)

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

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)

Accurate and Scalable Stochastic Gaussian Process Regression via Learnable Coreset-based Variational Inference
von: Ketenci, Mert, et al.
Veröffentlicht: (2023)

An Efficient Spatial Branch-and-Bound Algorithm for Global Optimization of Gaussian Process Posterior Mean Functions
von: Tang, Wei-Ting, et al.
Veröffentlicht: (2026)

Statistical Robustness of Interval CVaR Based Regression Models under Perturbation and Contamination
von: You, Yulei, et al.
Veröffentlicht: (2026)

Gaussian Process Upper Confidence Bound Achieves Nearly-Optimal Regret in Noise-Free Gaussian Process Bandits
von: Iwazaki, Shogo
Veröffentlicht: (2025)

Adaptive Optimizable Gaussian Process Regression Linear Least Squares Regression Filtering Method for SEM Images
von: Ong, D. Chee Yong, et al.
Veröffentlicht: (2025)

Regret Analysis for Randomized Gaussian Process Upper Confidence Bound
von: Takeno, Shion, et al.
Veröffentlicht: (2024)

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