Adaptation Using Spatially Distributed Gaussian Processes
利用空间分布式高斯过程实现自适应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。
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：摘要研究通用非参数回归与分布式高斯过程，未指向所列经济计量细分应用。
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…
利用空间分布式高斯过程实现自适应
- 研究问题
- 按自变量位置划分数据并组合局部后验时，近似后验能否保留全数据后验的恢复速率，并适应真实回归函数的平滑性？
- 方法与思路
- 作者组合位置划分子样本上的后验，考察积分布朗运动和带长度尺度先验的 Matérn 高斯过程，并提出新的聚合方法。
- 材料陈述的贡献
- 摘要称，近似后验保留自适应恢复速率；新聚合方法在数值研究中优于既有方法，且空间分布式方法可经验性适应局部规律。
- 阅读关注点
- 应核对分区与聚合方式、恢复速率成立的条件，以及局部平滑性适应和数值优势采用的比较方法、指标与计算预算。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未列出速率公式、条件及数值差异，经验表现不能视为对所有函数或数据的优势保证。
原文摘要
We consider the accuracy of an approximate posterior distribution in nonparametric regression problems by combining posterior distributions computed on subsets of the data defined by the locations of the independent variables. We show that this approximate posterior retains the rate of recovery of the full data posterior distribution, where the rate of recovery adapts to the smoothness of the true regression function. As particular examples we consider Gaussian process priors based on integrated Brownian motion and the Matérn kernel augmented with a prior on the length scale. Besides theoretical guarantees we present a numerical study of the methods both on synthetic and real world data. We also propose a new aggregation technique, which numerically outperforms previous approaches. Finally, we demonstrate empirically that spatially distributed methods can adapt to local regularities, potentially outperforming the original Gaussian process.