GNet: A scalable and flexible Gaussian process network with nonparametric neurons
GNet：具有非参数神经元的可扩展高斯过程网络AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及通用机器学习回归和物理预测，未明确涉及宏观预测或金融收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
GNet：具有非参数神经元的可扩展高斯过程网络
- 研究问题
- 作者研究能否以非参数激活函数构建灵活的高斯过程网络，在控制计算成本和可训练参数数量的同时保持良好预测表现。
- 方法与思路
- 作者构建 GNet，在不显式形成协方差矩阵的情况下估计高斯过程激活函数，并比较固定架构下的函数类、推导预测风险界。
- 材料陈述的贡献
- 摘要称，GNet 在非线性函数预测、真实数据回归和高维物理应用中表现有竞争力，并提示非参数神经元可减少参数而保持计算可扩展性。
- 阅读关注点
- 应核对隐式协方差计算方案、风险界的假设与复杂度，以及架构和优化设置是否可比、参数减少如何影响计算量和预测误差。
- 阅读边界
- 依据 arXiv v3 预印本摘要，不能据此声称已同行评审或期刊接收；风险界条件和性能比较数值未说明。
原文摘要
We build GNet, a scalable and flexible Gaussian process network with nonparametric activation functions. The key computational contribution is to make estimation of GP activations computationally scalable without forming covariance matrices explicitly. We provide theoretical studies comparing function classes with a fixed architecture, and derive predictive risk bounds for GNets. Using essentially the same architecture and optimization settings, GNet shows competitive performance across a diverse range of test problems, including predicting nonlinear functions, nonparametric regression of real-world data, and predicting one-body direct correlation functions with high-dimensional inputs in classical density functional theory. The strong performance of GNet suggests that flexible nonparametric neurons can substantially reduce the number of trainable parameters while remaining computationally scalable.