Deep learning with differential Gaussian process flows

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

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

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoThe 22nd International Conference on Artificial Intelligence and Statistic
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

ID: 36413733