27 Lataukset (Pure)

Abstrakti

We propose a novel deep learning paradigm of differential flows that learn a stochastic differential equation transformations of inputs prior to a standard classification or regression function. The key property of differential Gaussian processes is the warping of inputs through infinitely deep, but infinitesimal, differential fields, that generalise discrete layers into a dynamical system. We demonstrate state-of-the-art results that exceed the performance of deep Gaussian processes and neural networks
AlkuperäiskieliEnglanti
OtsikkoThe 22nd International Conference on Artificial Intelligence and Statistic
Sivut1-15
Sivumäärä16
Vuosikerta89
TilaJulkaistu - huhtikuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Artificial Intelligence and Statistics - Naha, Japani
Kesto: 16 huhtikuuta 201918 huhtikuuta 2019
Konferenssinumero: 22

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta89
ISSN (elektroninen)2640-3498

Conference

ConferenceInternational Conference on Artificial Intelligence and Statistics
LyhennettäAISTATS
MaaJapani
KaupunkiNaha
Ajanjakso16/04/201918/04/2019

Sormenjälki Sukella tutkimusaiheisiin 'Deep learning with differential Gaussian process flows'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

  • Laitteet

    Science-IT

    Mikko Hakala (Manager)

    Perustieteiden korkeakoulu

    Laitteistot/tilat: Facility

  • Siteeraa tätä

    Hegde, P., Heinonen, M., Lähdesmäki, H., & Kaski, S. (2019). Deep learning with differential Gaussian process flows. teoksessa The 22nd International Conference on Artificial Intelligence and Statistic (Vuosikerta 89, Sivut 1-15). (Proceedings of Machine Learning Research; Vuosikerta 89).