Buchumschlag

MAGPI: Multifidelity-Augmented Gaussian Process Inputs for Surrogate Modeling from Scarce Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rex, Atticus, Qian, Elizabeth, Peterson, David
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Multifidelity Surrogate Modeling of Depressurized Loss of Forced Cooling in High-temperature Gas Reactors
von: Eaheart, Meredith, et al.
Veröffentlicht: (2026)

Multifidelity Surrogate Models: A New Data Fusion Perspective
von: Wilke, Daniel N
Veröffentlicht: (2024)

Multifidelity linear regression for scientific machine learning from scarce data
von: Qian, Elizabeth, et al.
Veröffentlicht: (2024)

Multifidelity Gaussian process regression for solving nonlinear partial differential equations
von: El-Boukkouri, Fatima-Zahrae, et al.
Veröffentlicht: (2026)

Multifidelity Cross-validation
von: Renganathan, S. Ashwin, et al.
Veröffentlicht: (2024)

Tree-Based Predictive Models for Noisy Input Data
von: McCoy, Kevin, et al.
Veröffentlicht: (2026)

Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes
von: Ewering, Jan-Hendrik, et al.
Veröffentlicht: (2025)

Multifidelity Kolmogorov-Arnold Networks
von: Howard, Amanda A., et al.
Veröffentlicht: (2024)

Benchmarking Data Efficiency in $Δ$-ML and Multifidelity Models for Quantum Chemistry
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Conformal Approach To Gaussian Process Surrogate Evaluation With Coverage Guarantees
von: Jaber, Edgar, et al.
Veröffentlicht: (2024)

Non-Myopic Multifidelity Bayesian Optimization
von: Di Fiore, Francesco, et al.
Veröffentlicht: (2022)

Learning Shortest Paths When Data is Scarce
von: Matsypura, Dmytro, et al.
Veröffentlicht: (2026)

Multifidelity Simulation-based Inference for Computationally Expensive Simulators
von: Krouglova, Anastasia N., et al.
Veröffentlicht: (2025)

Investigating Data Hierarchies in Multifidelity Machine Learning for Excitation Energies
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Learning Continuous Network Emerging Dynamics from Scarce Observations via Data-Adaptive Stochastic Processes
von: Cui, Jiaxu, et al.
Veröffentlicht: (2023)

The Impact of an XAI-Augmented Approach on Binary Classification with Scarce Data
von: Wen, Ximing, et al.
Veröffentlicht: (2024)

Deep Intrinsic Coregionalization Multi-Output Gaussian Process Surrogate with Active Learning
von: Chang, Chun-Yi, et al.
Veröffentlicht: (2025)

When Data Is Scarce: Scaling Sparse Language Models with Repeated Training
von: Wu, Boqian, et al.
Veröffentlicht: (2026)

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

Optimal Kernel Learning for Gaussian Process Models with High-Dimensional Input
von: Kang, Lulu, et al.
Veröffentlicht: (2025)

Learning Multi-Task Gaussian Process Over Heterogeneous Input Domains
von: Liu, Haitao, et al.
Veröffentlicht: (2022)

Gaussian Process Model with Tensorial Inputs and Its Application to the Design of 3D Printed Antennas
von: Chen, Xi, et al.
Veröffentlicht: (2024)

Weighted Euclidean Distance Matrices over Mixed Continuous and Categorical Inputs for Gaussian Process Models
von: Pu, Mingyu, et al.
Veröffentlicht: (2025)

An Algorithm for Learning Smaller Representations of Models With Scarce Data
von: de Wynter, Adrian
Veröffentlicht: (2020)

Conditionally-Conjugate Gaussian Process Factor Analysis for Spike Count Data via Data Augmentation
von: Nadew, Yididiya Y., et al.
Veröffentlicht: (2024)

Active Learning of Piecewise Gaussian Process Surrogates
von: Park, Chiwoo, et al.
Veröffentlicht: (2023)

Rate-Informed Discovery via Bayesian Adaptive Multifidelity Sampling
von: Sinha, Aman, et al.
Veröffentlicht: (2024)

Physics-Aware Multifidelity Bayesian Optimization: a Generalized Formulation
von: Di Fiore, Francesco, et al.
Veröffentlicht: (2023)

Generative Bayesian Computation as a Scalable Alternative to Gaussian Process Surrogates
von: Polson, Nick, et al.
Veröffentlicht: (2026)

Gaussian Process Surrogate Models for Efficient Estimation of Structural Response Distributions and Order Statistics
von: Flovik, Vegard, et al.
Veröffentlicht: (2025)

Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration
von: Kim, Hwanwoo, et al.
Veröffentlicht: (2024)

Automatically Finding Reward Model Biases
von: Wang, Atticus, et al.
Veröffentlicht: (2026)

Constructing Interpretable Features from Compositional Neuron Groups
von: Shafran, Or, et al.
Veröffentlicht: (2025)

Multifidelity digital twin for real-time monitoring of structural dynamics in aquaculture net cages
von: Katsidoniotaki, Eirini, et al.
Veröffentlicht: (2024)

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

Gaussian and Non-Gaussian Universality of Data Augmentation
von: Huang, Kevin Han, et al.
Veröffentlicht: (2022)

Cross-Learning from Scarce Data via Multi-Task Constrained Optimization
von: Agorio, Leopoldo, et al.
Veröffentlicht: (2025)

Heterogenous Multi-Source Data Fusion Through Input Mapping and Latent Variable Gaussian Process
von: Comlek, Yigitcan, et al.
Veröffentlicht: (2024)

Multi-Fidelity Residual Neural Processes for Scalable Surrogate Modeling
von: Niu, Ruijia, et al.
Veröffentlicht: (2024)

Robust Molecular Property Prediction via Densifying Scarce Labeled Data
von: Kim, Jina, et al.
Veröffentlicht: (2025)