Buchumschlag

Conditioning Gaussian Processes on Almost Anything

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Moss, Henry, Astfalck, Lachlan, Cowperthwaite, Thomas, Doumont, Colin, Willis, Sam, Hennig, Philipp, Nemeth, Christopher, Zammit-Mangion, Andrew
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Neural Conditional Simulation for Complex Spatial Processes
von: Walchessen, Julia, et al.
Veröffentlicht: (2025)

Universal Modelling of Autocovariance Functions via Spline Kernels
von: Astfalck, Lachlan
Veröffentlicht: (2025)

Modeling nonstationary spatial processes with normalizing flows
von: Nag, Pratik, et al.
Veröffentlicht: (2025)

Spatio-temporal modeling and forecasting with Fourier neural operators
von: Nag, Pratik, et al.
Veröffentlicht: (2026)

Neural Bayes Estimators for Irregular Spatial Data using Graph Neural Networks
von: Sainsbury-Dale, Matthew, et al.
Veröffentlicht: (2023)

Neural Parameter Estimation with Incomplete Data
von: Sainsbury-Dale, Matthew, et al.
Veröffentlicht: (2025)

Neural Bayes estimators for censored inference with peaks-over-threshold models
von: Richards, Jordan, et al.
Veröffentlicht: (2023)

Hypergraph Generation via Structured Stochastic Diffusion
von: Nemeth, Christopher
Veröffentlicht: (2026)

Omnipresent Yet Overlooked: Heat Kernels in Combinatorial Bayesian Optimization
von: Doumont, Colin, et al.
Veröffentlicht: (2025)

Tuning-Free Sampling via Optimization on the Space of Probability Measures
von: Sharrock, Louis, et al.
Veröffentlicht: (2025)

deepspat: An R package for modeling nonstationary spatial and spatio-temporal Gaussian and extremes data through deep deformations
von: Vu, Quan, et al.
Veröffentlicht: (2025)

Markovian Flow Matching: Accelerating MCMC with Continuous Normalizing Flows
von: Cabezas, Alberto, et al.
Veröffentlicht: (2024)

Tuning-Free Maximum Likelihood Training of Latent Variable Models via Coin Betting
von: Sharrock, Louis, et al.
Veröffentlicht: (2023)

Modular Jump Gaussian Processes
von: Flowers, Anna R., et al.
Veröffentlicht: (2025)

R-VGAL: A Sequential Variational Bayes Algorithm for Generalised Linear Mixed Models
von: Vu, Bao Anh, et al.
Veröffentlicht: (2023)

Efficient Bayesian Inference for Discretely Observed Continuous Time Markov Chains
von: Tang, Tao, et al.
Veröffentlicht: (2025)

Generalised Bayes Linear Inference
von: Astfalck, Lachlan, et al.
Veröffentlicht: (2024)

Bias correction of quadratic spectral estimators
von: Astfalck, Lachlan, et al.
Veröffentlicht: (2024)

BALLAST: Bayesian Active Learning with Look-ahead Amendment for Sea-drifter Trajectories under Spatio-Temporal Vector Fields
von: Zhang, Rui-Yang, et al.
Veröffentlicht: (2025)

Robust and Conjugate Spatio-Temporal Gaussian Processes
von: Laplante, William, et al.
Veröffentlicht: (2025)

Scalable Monte Carlo for Bayesian Learning
von: Fearnhead, Paul, et al.
Veröffentlicht: (2024)

Self-Supervised Learning with Gaussian Processes
von: Duan, Yunshan, et al.
Veröffentlicht: (2025)

Gaussian Process Boosting
von: Sigrist, Fabio
Veröffentlicht: (2020)

A Bayesian Take on Gaussian Process Networks
von: Giudice, Enrico, et al.
Veröffentlicht: (2023)

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

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

We Still Don't Understand High-Dimensional Bayesian Optimization
von: Doumont, Colin, et al.
Veröffentlicht: (2025)

Diffusion-aware Censored Gaussian Processes for Demand Modelling
von: Rodrigues, Filipe
Veröffentlicht: (2025)

Aggregation Models with Optimal Weights for Distributed Gaussian Processes
von: Chen, Haoyuan, et al.
Veröffentlicht: (2024)

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

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

Predicting Covariate-Driven Spatial Deformation for Nonstationary Gaussian Processes
von: Gu, Minghao, et al.
Veröffentlicht: (2026)

Scalable Bayesian inference for time series via divide-and-conquer
von: Ou, Rihui, et al.
Veröffentlicht: (2021)

Neural Methods for Amortized Inference
von: Zammit-Mangion, Andrew, et al.
Veröffentlicht: (2024)

Goal-Oriented Lower-Tail Calibration of Gaussian Processes for Bayesian Optimization
von: Pion, Aurélien, et al.
Veröffentlicht: (2026)

A Dynamic, Ordinal Gaussian Process Item Response Theoretic Model
von: Chen, Yehu, et al.
Veröffentlicht: (2025)

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

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

Modeling Spatio-temporal Extremes via Conditional Variational Autoencoders
von: Ma, Xiaoyu, et al.
Veröffentlicht: (2025)

SSLfmm: An R Package for Semi-Supervised Learning with a Mixed-Missingness Mechanism in Finite Mixture Models
von: McLachlan, Geoffrey J., et al.
Veröffentlicht: (2025)