Buchumschlag

Interpretable Machine Learning for Spatial Science: A Lie-Algebraic Kernel for Rotationally Anisotropic Gaussian Processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Warrior, Kane, Chakrabarty, Dalia
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

Gaussian Process-based learning with new MCMC-based implementation of Wishart prior on correlation matrix
von: Warrior, Kane, et al.
Veröffentlicht: (2026)

A New Reliable & Parsimonious Learning Strategy Comprising Two Layers of Gaussian Processes, to Address Inhomogeneous Empirical Correlation Structures
von: Roy, Gargi, et al.
Veröffentlicht: (2024)

Learning in RKHM: a $C^*$-Algebraic Twist for Kernel Machines
von: Hashimoto, Yuka, et al.
Veröffentlicht: (2022)

Tensor Network-Constrained Kernel Machines as Gaussian Processes
von: Wesel, Frederiek, et al.
Veröffentlicht: (2024)

Stationary Kernels and Gaussian Processes on Lie Groups and their Homogeneous Spaces I: the compact case
von: Azangulov, Iskander, et al.
Veröffentlicht: (2022)

Parametrising the Inhomogeneity Inducing Capacity of a Training Set, and its Impact on Supervised Learning
von: Roy, Gargi, et al.
Veröffentlicht: (2025)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

Spectral Anatomy of Quantum Gaussian Process Kernels
von: Xu, Jian, et al.
Veröffentlicht: (2026)

Scalable Deep Basis Kernel Gaussian Processes
von: Zhu, Yunqin, et al.
Veröffentlicht: (2025)

Stationary Kernels and Gaussian Processes on Lie Groups and their Homogeneous Spaces II: non-compact symmetric spaces
von: Azangulov, Iskander, et al.
Veröffentlicht: (2023)

Expressive Mortality Models through Gaussian Process Kernels
von: Ludkovski, Mike, et al.
Veröffentlicht: (2023)

Quantum Kernel Machine Learning for Autonomous Materials Science
von: Adams, Felix, et al.
Veröffentlicht: (2026)

Interpretable Kernels
von: Groenen, Patrick J. F., et al.
Veröffentlicht: (2025)

Molecular-orbital-based Machine Learning for Open-shell and Multi-reference Systems with Kernel Addition Gaussian Process Regression
von: Cheng, Lixue, et al.
Veröffentlicht: (2022)

SEEK: Self-adaptive Explainable Kernel For Nonstationary Gaussian Processes
von: Negarandeh, Nima, et al.
Veröffentlicht: (2025)

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

Identifying critical residues of a protein using meaningfully-thresholded Random Geometric Graphs
von: Zhang, Chuqiao, et al.
Veröffentlicht: (2025)

Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes
von: Wu, Fan, et al.
Veröffentlicht: (2023)

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

The Uniformly Rotated Mondrian Kernel
von: Osborne, Calvin, et al.
Veröffentlicht: (2025)

GP+: A Python Library for Kernel-based learning via Gaussian Processes
von: Yousefpour, Amin, et al.
Veröffentlicht: (2023)

The Kernel Manifold: A Geometric Approach to Gaussian Process Model Selection
von: Islam, Md Shafiqul, et al.
Veröffentlicht: (2026)

A Unifying Perspective on Non-Stationary Kernels for Deeper Gaussian Processes
von: Noack, Marcus M., et al.
Veröffentlicht: (2023)

The Loss Kernel: A Geometric Probe for Deep Learning Interpretability
von: Adam, Maxwell, et al.
Veröffentlicht: (2025)

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

Interpretable Bayesian Tensor Network Kernel Machines with Automatic Rank and Feature Selection
von: Kilic, Afra, et al.
Veröffentlicht: (2025)

Learning Interpretable Characteristic Kernels via Decision Forests
von: Panda, Sambit, et al.
Veröffentlicht: (2018)

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

Notes on Kernel Methods in Machine Learning
von: Pérez-Rosero, Diego Armando, et al.
Veröffentlicht: (2025)

LieRE: Lie Rotational Positional Encodings
von: Ostmeier, Sophie, et al.
Veröffentlicht: (2024)

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

Sketching the Heat Kernel: Using Gaussian Processes to Embed Data
von: Gilbert, Anna C., et al.
Veröffentlicht: (2024)

Individualised recovery trajectories of patients with impeded mobility, using distance between probability distributions of learnt graphs
von: Zhang, Chuqiao, et al.
Veröffentlicht: (2024)

Why Depth Matters in Parallelizable Sequence Models: A Lie Algebraic View
von: Heo, Gyuryang, et al.
Veröffentlicht: (2026)

Gaussian Processes and Reproducing Kernels: Connections and Equivalences
von: Kanagawa, Motonobu, et al.
Veröffentlicht: (2025)

Gaussian Process Bandit Optimization with Machine Learning Predictions and Application to Hypothesis Generation
von: Chen, Xin Jennifer, et al.
Veröffentlicht: (2026)

Tighter Regret Lower Bound for Gaussian Process Bandits with Squared Exponential Kernel in Hypersphere
von: Iwazaki, Shogo
Veröffentlicht: (2026)

Support Collapse of Deep Gaussian Processes with Polynomial Kernels for a Wide Regime of Hyperparameters
von: Chernobrovkina, Daryna, et al.
Veröffentlicht: (2025)

Gaussian Processes with Sample Paths in Reproducing Kernel Banach Spaces
von: Karvonen, Toni, et al.
Veröffentlicht: (2026)

Sample Path Regularity of Gaussian Processes from the Covariance Kernel
von: Da Costa, Nathaël, et al.
Veröffentlicht: (2023)