基于动能朗之万采样的可扩展逻辑高斯过程密度回归
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- 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。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.