Buchumschlag

Lightweight Gaussian Process Inference in C++ on Metal and CUDA

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Fang, Yu-Hsueh
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

Optimal Spatio-Temporal Decoupling for Bayesian Conformal Prediction
von: Fang, Yu-Hsueh, et al.
Veröffentlicht: (2026)

CUDA Agent: Large-Scale Agentic RL for High-Performance CUDA Kernel Generation
von: Dai, Weinan, et al.
Veröffentlicht: (2026)

CUDA-LLM: LLMs Can Write Efficient CUDA Kernels
von: Chen, Wentao, et al.
Veröffentlicht: (2025)

cuConv: A CUDA Implementation of Convolution for CNN Inference
von: Jordà, Marc, et al.
Veröffentlicht: (2021)

Three Costs of Amortizing Gaussian Process Inference with Neural Processes
von: Young, Robin
Veröffentlicht: (2026)

Instrumental and Proximal Causal Inference with Gaussian Processes
von: Zhang, Yuqi, et al.
Veröffentlicht: (2026)

Predictability Analysis of Regression Problems via Conditional Entropy Estimations
von: Fang, Yu-Hsueh, et al.
Veröffentlicht: (2024)

Sparse Orthogonal Variational Inference for Gaussian Processes
von: Shi, Jiaxin, et al.
Veröffentlicht: (2019)

Amortized Variational Inference for Deep Gaussian Processes
von: Meng, Qiuxian, et al.
Veröffentlicht: (2024)

Bayesian Causal Inference with Gaussian Process Networks
von: Giudice, Enrico, et al.
Veröffentlicht: (2024)

Exact Inference for Continuous-Time Gaussian Process Dynamics
von: Ensinger, Katharina, et al.
Veröffentlicht: (2023)

Diffusion Bridge Variational Inference for Deep Gaussian Processes
von: Xu, Jian, et al.
Veröffentlicht: (2025)

Novel Pivoted Cholesky Decompositions for Efficient Gaussian Process Inference
von: de Roos, Filip, et al.
Veröffentlicht: (2025)

Scalable Multi-Output Gaussian Processes with Stochastic Variational Inference
von: Jiang, Xiaoyu, et al.
Veröffentlicht: (2024)

Hybrid JIT-CUDA Graph Optimization for Low-Latency Large Language Model Inference
von: Yadav, Divakar Kumar, et al.
Veröffentlicht: (2026)

Sequential Inference for Gaussian Processes: A Signal Processing Perspective
von: Waxman, Daniel, et al.
Veröffentlicht: (2026)

Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference
von: Wenger, Jonathan, et al.
Veröffentlicht: (2024)

Turbocharging Gaussian Process Inference with Approximate Sketch-and-Project
von: Rathore, Pratik, et al.
Veröffentlicht: (2025)

CUDA-L1: Improving CUDA Optimization via Contrastive Reinforcement Learning
von: Li, Xiaoya, et al.
Veröffentlicht: (2025)

CUDABench: Benchmarking LLMs for Text-to-CUDA Generation
von: Zhu, Jiace, et al.
Veröffentlicht: (2026)

Making LLMs Optimize Multi-Scenario CUDA Kernels Like Experts
von: Han, Yuxuan, et al.
Veröffentlicht: (2026)

CUDAHercules: Benchmarking Hardware-Aware Expert-level CUDA Optimization for LLMs
von: Li, Shiyang, et al.
Veröffentlicht: (2026)

PyGraph: Robust Compiler Support for CUDA Graphs in PyTorch
von: Ghosh, Abhishek, et al.
Veröffentlicht: (2025)

EFiGP: Eigen-Fourier Physics-Informed Gaussian Process for Inference of Dynamic Systems
von: Chen, Jianhong, et al.
Veröffentlicht: (2025)

Neural Operator Variational Inference based on Regularized Stein Discrepancy for Deep Gaussian Processes
von: Xu, Jian, et al.
Veröffentlicht: (2023)

LightFF: Lightweight Inference for Forward-Forward Algorithm
von: Aminifar, Amin, et al.
Veröffentlicht: (2024)

Optimizing Sparse Convolution on GPUs with CUDA for 3D Point Cloud Processing in Embedded Systems
von: Luo, Chester, et al.
Veröffentlicht: (2024)

Constrained Gaussian Process Motion Planning via Stein Variational Newton Inference
von: Li, Jiayun, et al.
Veröffentlicht: (2025)

Partially Observable Gaussian Process Network and Doubly Stochastic Variational Inference
von: Kiroriwal, Saksham, et al.
Veröffentlicht: (2025)

A Step-by-step Introduction to the Implementation of Automatic Differentiation
von: Fang, Yu-Hsueh, et al.
Veröffentlicht: (2024)

Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes
von: Uehara, Eichi
Veröffentlicht: (2026)

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

Scalable Bayesian Inference in the Era of Deep Learning: From Gaussian Processes to Deep Neural Networks
von: Antoran, Javier
Veröffentlicht: (2024)

Fast Gaussian Process Approximations for Autocorrelated Data
von: Chokhachian, Ahmadreza, et al.
Veröffentlicht: (2025)

Causal Inference from Slowly Varying Nonstationary Processes
von: Du, Kang, et al.
Veröffentlicht: (2024)

PyTorch-based Geometric Learning with Non-CUDA Processing Units: Experiences from Intel Gaudi-v2 HPUs
von: Bu, Fanchen, et al.
Veröffentlicht: (2025)

Gaussian Process Inference Using Mini-batch Stochastic Gradient Descent: Convergence Guarantees and Empirical Benefits
von: Chen, Hao, et al.
Veröffentlicht: (2021)

Variational Gaussian Process Diffusion Processes
von: Verma, Prakhar, et al.
Veröffentlicht: (2023)

Empirical Gaussian Processes
von: Lin, Jihao Andreas, et al.
Veröffentlicht: (2026)

Variational Inference with Mixtures of Isotropic Gaussians
von: Petit-Talamon, Marguerite, et al.
Veröffentlicht: (2025)