西山晴雪的知识笔记

【摘 要】在现代科学中，计算机模型经常被用来理解复杂的现象，一个蓬勃发展的统计社区围绕着分析它们而发展起来。这篇综述旨在关注日益流行的随机计算机模型——为从业者提供统计方法目录，为统计学家（无论是否熟悉确定性计算机模型）提供介绍性观点，并强调与以下方面相关的开放性问题从业者和统计学家。高斯过程代理模型在本次调研中占据中心位置，并解释了这些模型以及随机设置所需的几个扩展。讨论中突出了设计随机计算机实验和校准随机计算机模型的基本问题。带有数据和代码的指导性示例用于描述各种方法的实现和结果。 【原 文】 Baker, E. et al. (2022) ‘Analyzing Stochastic Computer Models: A Review with Opportunities’, Statistical Science, 37(1). Available at: https://doi.org/10.1214/21-STS822. 1 简介 计算机模型，也称为模拟器，到处都在使用。这些是描述和近似感兴趣过程的程序。该代码通常采用一组输入并产生一些输出。随机模拟器与确定性模拟 ...

安装 1yay -S nutstore 白屏 双击图标，白屏？ 修改 /opt/nutstore/conf/nutstore.properties（ 如果安装在个人目录，查看 ~/.nutstore/conf/dist/conf/nutstore.properties） 1sudo sed -i 's|webui.enable=true|webui.enable=false|' /opt/nutstore/conf/nutstore.properties 窗口太小无法全部显示 （1）利用 KDE 的窗口设置功能（左上角右键菜单/更多操作/窗口规则设置/配置特殊引用程序窗口设置…） （2）添加新属性（貌似 600×500600 \times 500600×500 比较合适） （3）应用设置进行设置 如此完成设置，窗口内主要要素基本都能显示出来了。 桌面使用了暗色主题导致部分字体不清晰？ 这字体鬼看得见？ 参考使用fakehome方案暂时解决跑在KDE暗色主题下的程序使用亮色字体的问题编写启动命令 1bwrap --dev-bind / / -- ...

1 添加和取消配置项 所有的修改均以本地的 chezmoi source 为中心（通常在.local/share/chezmoi 下），常用命令包括： 初始化本地源： chezmoi init 向源中添加配置项： chezmoi add 从源中取消配置项： chezmoi forget 修改本地源并更新配置项： chezmoi edit 并且 chezmoi apply 外部修改配置项后更新本地源： chezmoi re-add 在源目录下执行 git 命令： chezmoi git 进入源目录： chezmoi cd 显示源的配置： chezmoi cat-config 编辑源的配置： chezmoi edit-config 2 修改和更新配置项： 方法 1 ...

相信大家在使用Linux的时候会遇到一个问题，如果是全英状态下，那么对英语不太好的人，使用起来可能有些难度，但是如果是中文状态下的话，Linux主目录下面的几个文件夹也会变成中文，然后在终端中时候的话，输入法需要中英文切换，可能比较麻烦，下面教大家在中文状态下把文件夹的名称换成英文。 （1）首先，打开终端，修改环境变量 export LANG=en_US ； （2）然后，输入 xdg-user-dirs-gtk-update ，这是一个修改目录的 GTK 程序； （3）在界面中此时会根据 LANG 环境变量自动设置目标目录，选择更新目录即可； （4）再将环境变量设为中文即可： export LANG=zh_CH。 最终实现：目录变成了英文，但是操作系统还是中文。

【摘 要】条件神经过程 (CNP）是一个有吸引力的元学习模型系列，它可以产生经过良好校准的预测，能够在测试时进行快速推断，并且可以通过简单的最大似然程序进行训练。 CNP 的局限性在于它们无法对输出中的依赖关系进行建模。这极大地影响了预测性能，并且无法抽取相干的函数样本，从而限制了 CNP 在下游应用和决策制定中的适用性。神经过程 (NPs) 试图通过使用隐变量来缓解这个问题，并靠此来建模输出的依赖性，但带来了近似推断的困难。最近的一种替代方法是 FullConvGNP，它可以对预测中的依赖性进行建模，同时仍然可以通过精确的最大似然法进行训练。不幸的是，FullConvGNP 依赖于昂贵的二维卷积，这使其仅适用于一维数据。在本文工作中，我们提出了一种新方法来模拟输出依赖性，它适用于最大似然训练，但可以扩展到二维和三维数据。所提出的模型在合成实验中表现出了良好性能。 【原 文】 Markou, S. 等 (2021) ‘Efficient Gaussian Neural Processes for Regression’. arXiv. Available at: http: ...

【摘 要】 深度神经网络擅长函数逼近，但通常针对每个新函数从头开始训练。而贝叶斯方法（如高斯过程）利用先验知识在测试时快速推断新的函数形状，但高斯过程的计算成本很高，而且很难设计出合适的先验。在本文中，我们提出了结合了两者优点的条件神经过程 (CNP)。条件神经过程受到高斯过程等随机过程灵活性的启发，但其结构却类似于神经网络，并可以通过梯度下降进行训练。条件神经过程在仅观测少数训练数据点后就能够做出准确预测，同时可以扩展到复杂函数和大型数据集。我们展示了该方法在一系列机器学习任务上的性能和多功能性，包括回归、分类和图像补全。 【原 文】 Garnelo, M. et al. (2018) ‘Conditional neural processes’, in J. Dy and A. Krause (eds) Proceedings of the 35th international conference on machine learning. PMLR (Proceedings of machine learning research), pp. 1704–1713. A ...

【摘 要】 在 LaTex 中，文章内容、参考文献文件、宏包文件、格式文件是相互分开的。编译过程需要将这些文件拼接起来，形成最终的 pdf 文件。此过程不是一步到位的，而是涉及到一个编译链条：将前一步编译的结果输送到下一步继续编译。 1 Latex 中的各种文件 latex 中的常见文件有如下类型（指参与编译的源文件）： .tex：tex 文件是最常见的 latex 文件，也是平时编写文章主要文件 .cls：cls 文件是 latex 的格式文件，规定了 tex 源文件的排版格局，称为类文件（class），一般使用 \documentclass{} 导入 .sty：sty 文件是一种宏包文件（package），一般使用 \usepackage{} 导入 .bst：bst 文件是参考文献的排版格式文件，一般使用 \bibliographystyle{} 导入 .bib：存储参考文献数据的库文件，一般使用 \bibliography{} 导入文中使用到的文献 其他文件： 图片、多媒体等其他资源文件 ...

一、 如何构造核 二、 自动构造核 《用于模式发现和外推的高斯过程核》 : 使用高斯混合模型对核的谱密度（傅里叶变换）建模，得出简单封闭形式的高斯过程核。 三、 #refplus, #refplus li{ padding:0; margin:0; list-style:none; }； document.querySelectorAll(".refplus-num").forEach((ref) => { let refid = ref.firstChild.href.replace(location.origin+location.pathname,''); let refel = document.querySelector(refid); let refnum = refel.dataset.num; let ref_content = refel.innerText.repla ...

【摘 要】 高斯过程是函数的丰富分布，它提供了贝叶斯非参数方法来进行平滑和插值。我们介绍了可与高斯过程一起使用以发现模式并启用外推的简单封闭形式核。这些核是通过使用高斯混合对谱密度（核的傅里叶变换）建模而得出的。所提出的核支持广泛类别的平稳协方差，但高斯过程推断仍然简单且具有解析性。我们通过发现模式并对合成示例以及大气 CO2CO_2CO2​ 趋势和航空公司乘客数据进行远程外推来证明所提出的核。我们还表明，可以在我们的框架内重建几个流行的标准协方差。 【原 文】 Wilson, A.G. and Adams, R.P. (2013) ‘Gaussian Process Kernels for Pattern Discovery and Extrapolation’. arXiv. Available at: http://arxiv.org/abs/1302.4245 (Accessed: 21 March 2023). 1 简介 机器学习从根本上讲是关于模式发现的。第一个机器学习模型，例如感知器 (Rosenblatt, 1962 [19])，是基于一个简单的神经元模型 ...

高斯神经过程 【摘 要】 神经过程是一类丰富的元学习模型，可将数据集直接映射到预测性随机过程。我们对用于训练条件神经过程的标准最大似然目标进行了严格的分析。此外，我们向神经过程家族提出了一个新成员，称为高斯神经过程 (GNP)，它结合平移等方差性对预测相关性进行建模，能够提供通用的近似保证，并展示了很好的性能。 【原 文】 Bruinsma, W.P. 等 (2021) ‘The Gaussian Neural Process’. arXiv. Available at: http://arxiv.org/abs/2101.03606 (Accessed: 23 February 2023). 1 引言 神经过程 (Neural Processes, NPs; Garnelo 等，2018a [5],2018b [6]) 使用神经网络直接参数化并且学习 “从观测数据到随机过程的后验预测分布的映射” 。在本文工作中，我们为神经过程框架提供了两个贡献。 贡献 1: 对用于训练条件神经过程模型的标准最大似然 (ML) 目标进行严格分析。特别是，我们将目标与随机过程之间的 KL\ ...