GPMatch: A Bayesian Doubly Robust Approach to Causal Inference with Gaussian Process Covariance Function As a Matching Tool
在较弱的因果假设下,提出了一种基于完全贝叶斯框架的高斯过程(GP)协方差函数作为GPMatch的匹配工具。利用GP先验协方差函数定义匹配距离实现匹配。我们表明,GPMatch提供了一个双重的平均处理效应(ATE)的鲁棒估计很像G-估计,ATE是正确的估计时,满足以下任一条件:1)GP均值函数正确指定潜在的结果\(Y^{(0)}\) ;或2)GP协方差函数正确指定匹配结构。进行模拟研究,没有假设任何已知的匹配结构,也没有功能形式的结果。结果表明,GPMatch具有良好的校准频率属性,并优于许多广泛使用的方法,包括贝叶斯加性回归树。该案例研究使用从电子病历中提取的数据,比较了早期积极使用生物药物治疗新诊断的青少年特发性关节炎儿童的有效性。
2019-03-14 stat.ME
On the Nash equilibrium of moment-matching GANs for stationary Gaussian processes
Université de Toulouse(图卢兹大学);INP(国立理工学院);IRIT(图卢兹计算机科学研究所)
生成对抗网络(GANs)通过两人游戏从数据样本中学习隐式生成模型。本文研究了当数据样本数增长到无穷大时,博弈的纳什均衡的存在性。在一个可实现的设置的目标是估计地面实况发生器的平稳高斯过程,我们表明,一致的纳什均衡的存在至关重要地取决于的选择的家庭。由二阶统计矩所定义的非一致性可以导致Nash均衡不存在、一致非Nash均衡存在或一致Nash均衡存在且唯一,这取决于生成元族的对称性是否被尊重.我们进一步实证研究了梯度下降-上升方法向一致平衡点的局部稳定性和全局收敛性。
2022-09-12 cs.GT cs.LG stat.ML
Stream-level flow matching with Gaussian processes
Duke University(杜克大学)
本文扩展了条件流匹配算法,通过引入高斯过程对连接源和目标数据对的潜在随机路径(流)进行建模,有效降低了边缘向量场的估计方差,提升了生成样本质量,并支持灵活连接相关训练数据点。
2025-02-03 cs.AI cs.LG stat.ML
Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
School of Computation, Information and Technology, Technical University of Munich(计算、信息与技术学院,慕尼黑技术大学);Munich Data Science Institute(慕尼黑数据科学研究所);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出 TSFlow 条件流匹配模型,利用高斯过程、最优传输路径和数据依赖先验缩小先验与时间序列数据分布差异,并通过条件先验采样支持概率预测。
2025-05-11 cs.AI cs.LG stat.ML
A Fast Non-Gaussian Bayesian Matching Pursuit Method for Sparse Reconstruction
提出了一种基于贝叶斯方法的快速匹配追踪稀疏信号恢复方法。该方法被称为nGpFBMP,即使当信号先验是非高斯或未知时,也执行稀疏信号的贝叶斯估计。它是不可知的信号统计,并利用先验统计的加性噪声和稀疏率的信号,这是很容易估计的数据,如果没有。nGpFBMP利用一个贪婪的方法和顺序递归更新的度量,找到最主要的稀疏支持,以确定近似的最小均方误差(MMSE)估计的稀疏信号。仿真结果表明,我们提出的估计的权力和鲁棒性。
2012-06-19 stat.OT
Statistical Model Aggregation via Parameter Matching
IBM Research(IBM研究院);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Center for Computational Health(计算健康中心)
我们考虑的问题,从隔离,可能是异构数据集的聚合模型。利用贝叶斯nonparametrics的工具,我们开发了一个通用的元建模框架,通过识别局部模型参数化之间的对应关系来学习共享的全局潜在结构。我们提出的框架是模型独立的,适用于广泛的模型类型。在模拟数据上验证了我们的方法后,我们展示了它在聚合高斯主题模型,基于层次狄利克雷过程的隐马尔可夫模型和稀疏高斯过程中的实用性,应用范围包括文本摘要,运动捕捉分析和温度预测。
2019-11-01 cs.LG stat.ML
Modeling Ride-Sourcing Matching and Pickup Processes based on Additive Gaussian Process Models
匹配和取车流程是网约车服务的核心特征。以往的研究采用了大量的分析模型来描述这两个过程,并获得操作的见解,而模型和数据之间的拟合优度被解雇。为了同时考虑模型和数据之间的适应性以及易于分析的形成,我们提出了一种基于加性高斯过程模型(AGPM)的数据驱动的方法来进行网约车市场建模。该框架基于在中国杭州收集的真实数据进行了测试。我们拟合分析模型、机器学习模型和AGPS,其中匹配或拾取的数量用作输出,空间、时间、需求和供应协变量用作输入。结果表明,AGPS在恢复两个过程的估计精度方面的优势。此外,我们说明了AGPM的建模能力,利用训练模型来设计和估计闲置车辆重新定位策略。
2022-04-29 stat.AP
Likelihood Maximization and Moment Matching in Low SNR Gaussian Mixture Models
在低信噪比条件下,我们得到了具有相等协方差阵的高斯混合模型(GARCH)对数似然的渐近展开。该扩展揭示了两种类型的算法之间的密切联系参数估计:矩量法和似然优化算法,如期望最大化(EM)。我们表明,在低信噪比制度的似然优化减少到一个序列的最小二乘最优化问题,匹配的时刻的估计地面真理的时刻一个接一个。这种联系是一个垫脚石对EM和极大似然估计在广泛的模型分析。低信噪比混合模型的研究的一个激励应用是低温电子显微镜数据,它可以被建模为一个GMM与代数约束施加在混合中心。我们讨论了我们的扩展代数约束Gestival的应用程序,以及其他感兴趣的例子模型。
2020-06-26 math.PR math.ST stat.TH
Quantile Forecast Matching with a Bayesian Quantile Gaussian Process Model
University of Connecticut(康涅狄格大学);Iowa State University(爱荷华州立大学)
本文提出分位数高斯过程模型,基于分位数函数理论,在给定估计分位数时构建连续分布,并通过贝叶斯方法实现参数推断与不确定性量化,应用于流感预测数据。
2025-10-09 stat.ME
On solving Ordinary Differential Equations using Gaussian Processes
我们描述了一套基于高斯过程的方法,可以用来解决非线性常微分方程。我们提出了一个显式的概率求解器和两个隐式的方法,一个类似于Picard迭代和其他梯度匹配。所有方法都比以前提出的高斯过程方法具有更高的精度。我们还提出了一个通用的方法,可以从任何标准的ODE求解器产生误差估计。
2014-08-17 cs.NA math.NA stat.CO
A polynomial time iterative algorithm for matching Gaussian matrices with non-vanishing correlation
本文针对相关高斯Wigner矩阵匹配问题,提出了一种迭代匹配算法,首次在相关性为任意小常数时实现多项式时间内的图匹配。
2022-12-28 cs.DS math.PR math.ST
Heavy-Tailed Flow Matching via Random Clocks
Johns Hopkins University(约翰斯·霍普金斯大学);National University of Singapore(新加坡国立大学)
研究重尾数据匹配问题,提出HTFM框架,将重尾源视为时钟条件高斯源混合,用截断对数签名特征编码时钟。实验显示其在多领域优于高斯流匹配等基线,保留低NFE采样优势,还提供尾部控制接口。
2026-07-16 cs.LG stat.ML
Sharp Statistical Thresholds for Attributed Gaussian Graph Matching
Sharif University of Technology(沙斐大学);Université Paris-Saclay, CNRS, Inria Laboratoire de mathématiques d’Orsay(巴黎-萨克雷大学、CNRS、Inria或say数学实验室)
研究在高斯设定下的上下文图匹配,探讨边权重和节点特征在两个网络间的相关性,推导信息论阈值并分析精确恢复的条件,揭示结构与上下文信息交互的首次严谨表征。
2026-10-15 cs.LG stat.ML
Gaussian and Bootstrap Approximation for Matching-based Average Treatment Effect Estimators
本文为基于协变量和秩匹配的ATE估计量建立了高斯近似界,采用Malliavin-Stein方法量化匹配数量和处理平衡性的影响,并开发了乘数自助法程序以构建非渐近有效的置信区间。
2024-12-22 econ.EM math.PR math.ST
Gaussian Database Alignment and Gaussian Planted Matching
Georgia Institute of Technology(佐治亚理工学院);Pennsylvania State University(宾夕法尼亚州立大学);Ecole Polytechnique Federale de Lausanne(洛桑联邦理工学院)
本文研究高斯特征下的数据库对齐与植入匹配问题,证明高维条件下两者性能阈值收敛,并通过线性规划松弛分析给出可达性与逆界,揭示几乎精确与精确对齐阈值的关系。
2023-07-05 cs.DB cs.DS cs.IT
Seeded graph matching for the correlated Gaussian Wigner model via the projected power method
本文研究相关高斯Wigner模型下的种子图匹配问题,证明了投影幂方法在种子足够接近真实匹配时能以高概率在O(log n)次迭代内恢复匹配,将已有稀疏模型分析扩展到稠密模型。
2024-05-05 math.ST stat.ML stat.TH
Heavy-tailed denoising score matching
University of Cambridge(剑桥大学)
在过去几年中,基于分数的模型研究已经通过采用高斯去噪得分匹配(DSM)产生了最先进的生成模型。然而,高斯噪声假设有几个高维的限制,激励一个更具体的路线,甚至更高的维度PDF估计在未来。我们概述了这一限制,然后将理论扩展到一个更广泛的家庭的噪声分布-即广义正态分布。从理论上讲,我们放松了(去噪)分数匹配理论中的一个关键假设,证明了几乎在任何地方都是可微的分布允许与高斯分布相同的客观简化。对于噪声向量范数分布,我们在深度学习中普遍存在的高维空间中展示了有利的测量集中度。在这个过程中,我们发现了一个偏斜的噪声向量范数分布,并开发了一个迭代噪声缩放算法,以始终初始化退火Langevin动力学(LD)中的多个级别的噪声。在实践方面,我们使用重尾DSM导致改进的分数估计,可控的采样收敛,以及更平衡的非平衡数据集的无条件生成性能。
2022-04-12 cs.LG stat.ML
Gaussian Flow Dynamics: Simulation-Free Neural SDE Learning Beyond One-Time Marginals
Informatics Institute(信息学研究所);University of Amsterdam(阿姆斯特丹大学)
提出高斯流动力学,显式参数化保持边际的规范自由度,结合SDE匹配目标形成规范匹配方法,以二次成本学习潜在SDE的时间结构,适用于状态相关噪声。
2026-10-06 cs.LG stat.ML
Variational Inference with Gaussian Score Matching
Flatiron Institute(熨斗研究院);Columbia University(哥伦比亚大学)
提出基于得分匹配的高斯变分推断 GSM-VI,通过闭式内部更新匹配后验得分;实验表明其相比 BBVI 梯度评估减少10–100倍且精度相当。
2023-07-15 cs.LG stat.ML
Spectral Graph Matching and Regularized Quadratic Relaxations I: The Gaussian Model
Yale University(耶鲁大学);Duke University(杜克大学)
图匹配的目的是找到两个未标记图之间的顶点对应,最大化总的边权重相关性。这相当于解决一个计算上难以处理的二次分配问题。本文提出了一种新的谱方法,GRAph配对特征对齐(GRAMPA)。从以前的谱方法,只比较顶部的特征向量,或特征向量的相同的顺序,GRAMPA首先构造一个相似性矩阵作为两个图的所有对特征向量之间的外积的加权和,与柯西核应用到相应的特征值的分离给出的权重,然后通过一个简单的舍入过程输出匹配。相似矩阵也可以解释为二次分配问题的正则化二次规划松弛的解。对于高斯维格纳模型,其中$n$顶点上的两个完全图具有高斯边权重与相关系数$1-σ^2$,我们表明,GRAMPA准确地恢复正确的顶点对应,以高概率时,$σ= O(\frac{1}{\log n})$。这与多项式时间算法的现有技术相匹配,并且显著地改进了要求$σ$在$n$中多项式地小的现有谱方法。GRAMPA的优越性也表现在各种合成和真实的数据集,在统计精度和计算效率方面。普适性结果,包括稠密和稀疏Erdens-Rényi图的类似保证,被推迟到配套文件。
2019-07-20 cs.LG math.PR math.SP
PLOT: Progressive Localization via Optimal Transport in Neural Causal Abstraction
Cornell University(康奈尔大学)
PLOT通过最优传输框架实现因果变量的定位,能够在不同复杂度的实验中高效定位因果抽象,提升因果解释的效率和准确性。
2026-10-06 cs.AI cs.LG stat.ML
Likelihood approximations via Gaussian approximate inference
Australian National University(澳大利亚国立大学)
本文针对非高斯似然导致后验不可处理的问题,结合变分推断与变换基矩匹配构造高斯似然近似,在分类、大规模推断和流式任务中取得更优效果。
2024-10-28 cs.LG stat.ML
Nonlinearity and Uncertainty Informed Moment-Matching Gaussian Mixture Splitting
Department of Mechanical and Aerospace Engineering, Utah State University(机械与航空航天工程系,犹他州立大学);School of Aeronautics and Astronautics, Purdue University(航空航天工程学院,普渡大学)
本文提出了一种基于非线性与不确定性引导的矩匹配高斯混合分割方法,通过优化分割方向选择提升高斯混合模型在非线性系统不确定性传播中的精度与效率。
2024-11-30 cs.LG eess.SP stat.ML
Learning general Gaussian mixtures with efficient score matching
Harvard SEAS(哈佛大学工程与应用科学学院);UT Austin(德克萨斯大学奥斯汀分校)
本文提出一种基于扩散模型和得分匹配的高效算法,在无分离假设条件下学习一般高斯混合模型,首次以样本多项式时间实现无监督学习的最优理论保证。
2024-11-19 cs.DS cs.LG stat.ML
What's the score? Automated Denoising Score Matching for Nonlinear Diffusions
Courant Institute of Mathematical Sciences, New York University(纽约大学柯朗数学科学研究所);Center for Data Science, New York University(纽约大学数据科学中心)
针对现有可处理扩散过程多为线性高斯、限制模型与问题适用范围的问题,本研究提出基于扩散局部增量的local-DSM去噪分数匹配目标,结合泰勒展开实现非线性扩散的自动训练与分数估计,在生成建模和统计物理场景验证了有效性。
2024-07-10 cs.LG stat.ML
Support-Conditioned Flow Matching Is Kernel Smoothing
Department of Computer Science(计算机科学系);University of Washington(华盛顿大学)
本文通过核平滑理论揭示流匹配中支持集的核密度估计机制,证明流时间影响核带宽,并验证跨注意力在高维数据中的局限性。
2026-05-13 cs.LG stat.ML
Near-Optimal Experiment Design in Linear non-Gaussian Cyclic Models
EPFL(苏黎世联邦理工学院);Leiden University(莱顿大学)
本文提出了一种基于随机优化的近最优实验设计方法,用于从线性非高斯循环模型中学习因果结构。
2025-12-04 cs.AI cs.LG stat.ML