高斯过程是概率机器学习中的核心方法,凭借其良好的解析性质和出色的不确定性建模能力,被广泛应用于各类机器学习问题。采用深度学习层次化建模范式的“深度高斯过程”则进一步增强了其建模能力,拓宽了其应用范围。然而,绝大多数现有方法不能很好的扩展到图结构数据。为了学习图信号之间的映射关系及其不确定性,同时利用图结构的连接信息,本期分享嘉宾提出了面向图结构数据的深度图高斯过程DGPG。在较为宽松的理论假设前提下,他们严格证明了DGPG相较原始的深度高斯过程具有更低的采样方差。同时,大量实验分析表明他们的方法不仅能在小数据集上免于过拟合,还能在大数据集上达到与精心设计的神经网络同等水平的性能。此外,DPGP同样继承了
………………………………