.png){kind=icon}
返回
Multi-Output Gaussian Processes for Graph-Structured Data
.png){kind=icon}
PRE
AI
DOI：10.1109/tsipn.2026.3725577.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图结构数据是与图结构相关的观测，其中顶点和边描述某种数据相关性。本文提出了一种基于多输出高斯过程（MOGP）的图结构数据回归方法，以捕捉顶点之间的相关性以及关联数据之间的相关性。所提出的公式建立在MOGP的定义之上。这使得它能够应用于广泛的数据配置和场景。此外，由于其核设计的灵活性，它具有高表达能力。它将图结构数据的高斯过程现有方法包含为特例，并使得能够去除现有方法中对数据配置、模型选择和推理场景的限制。通过合成数据和真实数据的计算机实验，评估了所提出公式可实现扩展的性能。
Keyword:
Gaussian processes
graph machine learning
graph signal processing
kernel regression
期刊
IF:
4.9
论文数:
744
被引数:
1.9K
机构
引用论文
分享收藏分享收藏Predicting the output from a complex computer code when fast approximations are available.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏Data Reconstruction Coverage Based on Graph Signal Processing for Wireless Sensor Networks基于图信号处理的无线传感器网络数据重构覆盖
OAAI
OAAI分享收藏
查看更多内容