热点事件持续更新
基于动能朗之万采样的可扩展逻辑高斯过程密度回归
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月8日，arXiv（Statistics Machine Learning）发布一篇论文，提出一种基于 logistic Gaussian process 的可扩展贝叶斯条件密度估计方法。该方法在截断 Fourier 基上使用 Matérn 核，并结合 Nyström 特征协变量核，构成可分离协方差；随后以动能 Langevin 动力学在 Kronecker 白化坐标下采样潜场，从而实现可扩展的逻辑高斯过程密度回归。目前公开信息仅涉及该论文的方法描述，未见后续验证或应用报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
论文提出以动能 Langevin 动力学在 Kronecker 白化坐标下采样潜场，实现可扩展逻辑高斯过程密度回归。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Statistics Machine Learning基于动能 Langevin 采样实现可扩展 Logistic Gaussian Process 密度回归
论文提出一种基于 logistic Gaussian process 的可扩展贝叶斯条件密度估计方法，用截断 Fourier 基上的 Matérn 核与 Nyström 特征协变量核构成可分离协方差，并以动能 Langevin 动力学在 Kronecker 白化坐标下采样潜场。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。