贝叶斯超参数优化matlab代码-active_gp_hyperlearning:遵循Garnett等人的GP超参数主动学习,“高斯过程线性嵌

上传者: 38690149 | 上传时间: 2021-06-19 19:29:28 | 文件大小: 9KB | 文件类型: ZIP
贝叶斯超参数优化matlab代码主动 GP 超参数学习 这是 MATLAB 中描述的主动学习 GP 超参数方法的 MATLAB 实现 Garnett, R.、Osborne, M. 和 Hennig, P. 高斯过程线性嵌入的主动学习。 (2014)。 第 30 届人工智能不确定性会议(UAI 2014)。 给定函数f上的 GP 模型: 该例程依次选择一系列位置X = { x i } 进行观察,目的是尽快学习 GP 超参数θ 。 这是通过保持概率信念p ( θ | D ) 并通过最大化贝叶斯主动学习差异 (BALD) 标准来选择每个观察位置来完成的 N. Houlsby、F. Huszar、Z. Ghahramani 和 M. Lengyel。 用于分类和偏好学习的贝叶斯主动学习。 (2011)。 arXiv 预印本 arXiv:1112.5745 [stat.ML]。 此实现使用 Garnett 等人中描述的对 BALD 的近似。 上面的论文,它依赖于近似 GP 超参数边缘化的“边缘 GP”(MGP)方法。 主要入口点是learn_gp_hyperparameters.m 。 有关简

文件下载

资源详情

[{"title":"( 7 个子文件 9KB ) 贝叶斯超参数优化matlab代码-active_gp_hyperlearning:遵循Garnett等人的GP超参数主动学习,“高斯过程线性嵌","children":[{"title":"active_gp_hyperlearning-master","children":[{"title":"select_next_point.m <span style='color:#111;'> 1.72KB </span>","children":null,"spread":false},{"title":"LICENSE <span style='color:#111;'> 1.05KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 2.10KB </span>","children":null,"spread":false},{"title":"demo","children":[{"title":"plot_predictions.m <span style='color:#111;'> 423B </span>","children":null,"spread":false},{"title":"demo.m <span style='color:#111;'> 3.03KB </span>","children":null,"spread":false}],"spread":true},{"title":"learn_gp_hyperparameters.m <span style='color:#111;'> 7.53KB </span>","children":null,"spread":false},{"title":"minimize_minFunc.m <span style='color:#111;'> 3.51KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明