跳到主要内容
检索

# 高斯过程回归

3 篇关联报道

订阅更新
  1. researchsquare.com

    脑龄模型改在尼日利亚数据上重训:内部测试误差9.82年,换一个独立队列校正后为8.78年

    脑龄模型多在北半球数据上训练,直接用于尼日利亚成人会失准。研究者用309名尼日利亚成人的临床T1加权MRI训练了一个人群特异的高斯过程回归模型,在47人留出测试集上未做年龄偏差校正时平均绝对误差为9.82年;在44人共同对照集上,该模型为10.24年,PyBrainAge为10.52年、SynthBA为12.33年、ENIGMA-Brain Age为17.51年,SPARROW为7.87年。校正后内部测试集误差为6.39年,但在另一独立尼日利亚队列上升至8.78年,且所有模型在该队列的决定系数均为负。

  2. researchsquare.com

    暗物质核尖之争可能出在误差假设:加入径向相关后,五个星系里核状与尖状几乎分不出高下

    星系旋转曲线长期偏向中心密度平坦的“核状”暗物质晕,而冷暗物质模拟预言中心陡升的“尖状”晕。对SPARC数据库中五个星系做贝叶斯拟合时,把相邻半径数据点的相关误差一并建模,核状与尖状模型的拟合差距随之大幅收窄。以DDO 154为例,约化卡方从2.40对9.41变为0.94对1.04,单靠一维旋转曲线已难以区分两种晕。

  3. researchsquare.com

    烘焙实验不再靠穷举:高斯过程主动学习挑出10组条件,覆盖温和与深度两段区间

    生物质烘焙的实验优化长期受制于实验成本与时间,传统单因素试验容易漏掉协同效应,全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型,交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869,优于随机森林、支持向量回归和神经网络。在此基础上,一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数,推荐出10组实验,温度覆盖200–315 °C、停留时间30–1089 s,全部落在常规烘焙区间内。

已读完全部报道