Probabilistic Automated Numerical Analysis in Machine learning and Artificial intelligence

Calibrated Adaptive Probabilistic ODE Solvers

Autoren: Bosch, Nathanael; Hennig, Philipp; Tronarp, Filip
Veröffentlicht in: International Conference on Artificial Intelligence and Statistics, Ausgabe 130, 2021, Seite(n) 3466-3474
Herausgeber: PMLR
DOI: 10.48550/arxiv.2012.08202

Counterfactual mean embeddings

Autoren: Krikamol Muandet, Motonobu Kanagawa, Sorawit Saengkyongam, Sanparith Marukatat
Veröffentlicht in: The Journal of Machine Learning Research, Ausgabe 22 (1), 2021, Seite(n) 7322-7392
Herausgeber: The Journal of Machine Learning Research

BackPACK: Packing more into backprop

Autoren: Dangel, Felix; Kunstner, Frederik; Hennig, Philipp
Veröffentlicht in: ICLR, Ausgabe 8, 2020
Herausgeber: ICLR

High-Dimensional Gaussian Process Inference with Derivatives

Autoren: de Roos, Filip; Gessner, Alexandra; Hennig, Philipp
Veröffentlicht in: International Conference on Machine Learning, Ausgabe 139, 2021, Seite(n) 2535-2545
Herausgeber: PMLR

Probabilistic ODE solutions in millions of dimensions

Autoren: Nicholas Krämer, Nathanael Bosch, Jonathan Schmidt, Philipp Hennig
Veröffentlicht in: International Conference on Machine Learning, Ausgabe 162, 2022, Seite(n) 11634-11649
Herausgeber: PMLR

Model-based Kernel Sum Rule: Kernel Bayesian Inference with Probabilistic Models

Autoren: Nishiyama, Yu; Kanagawa, Motonobu; Gretton, Arthur; Fukumizu, Kenji
Veröffentlicht in: Machine Learning, Ausgabe 109, 2020, Seite(n) 939–972
Herausgeber: Springer Link

Probabilistic Numerical Method of Lines for Time-Dependent Partial Differential Equations

Autoren: Nicholas Krämer, Jonathan Schmidt, Philipp Hennig
Veröffentlicht in: Proceedings of The 25th International Conference on Artificial Intelligence and Statistics, Ausgabe 151, 2022, Seite(n) 625-639
Herausgeber: PMLR

An Infinite-Feature Extension for Bayesian ReLU Nets That Fixes Their Asymptotic Overconfidence

Autoren: Kristiadi, Agustinus; Hein, Matthias; Hennig, Philipp
Veröffentlicht in: Advances in Neural Information Processing Systems, Ausgabe 34, 2021, Seite(n) 18789-18800
Herausgeber: Curran Associates Inc
DOI: 10.48550/arxiv.2010.02709

Integrals over Gaussians under Linear Domain Constraints

Autoren: Gessner, Alexandra; Kanjilal, Oindrila; Hennig, Philipp
Veröffentlicht in: Proceedings of Machine Learning Research, 2020, Seite(n) 2764-2774
Herausgeber: PMLR

Convergence Guarantees for Adaptive Bayesian Quadrature Methods

Autoren: Kanagawa, Motonobu; Hennig, Philipp
Veröffentlicht in: Advances in Neural Information Processing Systems (NeurIPS 2019), Ausgabe 32, 2019
Herausgeber: Advances in Neural Information Processing Systems 32 (NeurIPS 2019)
DOI: 10.48550/arxiv.1905.10271

Descending through a Crowded Valley - Benchmarking Deep Learning Optimizers

Autoren: Schmidt, Robin M.; Schneider, Frank; Hennig, Philipp
Veröffentlicht in: International Conference on Machine Learning, Ausgabe 139, 2021, Seite(n) 9367-9376
Herausgeber: PMLR
DOI: 10.48550/arxiv.2007.01547

Model Selection for Simulator-based Statistical Models: A Kernel Approach

Autoren: Kajihara, Takafumi; Kanagawa, Motonobu; Nakaguchi, Yuuki; Khandelwal, Kanishka; Fukumiziu, Kenji
Veröffentlicht in: Machine Learning, Ausgabe 109, 2020, Seite(n) 939–972
Herausgeber: Springer
DOI: 10.48550/arxiv.1902.02517

Fenrir: Physics-Enhanced Regression for Initial Value Problems

Autoren: Filip Tronarp, Nathanael Bosch, Philipp Hennig
Veröffentlicht in: International Conference on Machine Learning, Ausgabe 162, 2022, Seite(n) 21776--21794
Herausgeber: PMLR

DeepOBS: A Deep Learning Optimizer Benchmark Suite

Autoren: Schneider, Frank; Balles, Lukas; Hennig, Philipp
Veröffentlicht in: International Conference on Learning Representations, 2019
Herausgeber: International Conference on Learning Representations
DOI: 10.48550/arxiv.1903.05499

The Geometry of Sign Gradient Descent

Autoren: Balles, Lukas; Pedregosa, Fabian; Le Roux, Nicolas
Veröffentlicht in: ICLR 2020, 2020
Herausgeber: ICLR

Fast Predictive Uncertainty for Classification with Bayesian Deep Networks

Autoren: Hobbhahn, Marius; Kristiadi, Agustinus; Hennig, Philipp
Veröffentlicht in: Uncertainty in Artificial Intelligence, Ausgabe 180, 2022, Seite(n) 822-832
Herausgeber: PMLR
DOI: 10.48550/arxiv.2003.01227

Preconditioning for scalable Gaussian process hyperparameter optimization

Autoren: Jonathan Wenger, Geoff Pleiss, Philipp Hennig, John Cunningham, Jacob Gardner
Veröffentlicht in: International Conference on Machine Learning, Ausgabe 162, 2022, Seite(n) 23751-23780
Herausgeber: PMLR

Learnable Uncertainty under Laplace Approximations

Autoren: Kristiadi, Agustinus; Hein, Matthias; Hennig, Philipp
Veröffentlicht in: Proceedings of the Thirty-Seventh Conference on Uncertainty in Artificial Intelligence, Ausgabe 161, 2021, Seite(n) 344-353
Herausgeber: PMLR
DOI: 10.48550/arxiv.2010.02720

Laplace Redux -- Effortless Bayesian Deep Learning

Autoren: Daxberger, Erik; Kristiadi, Agustinus; Immer, Alexander; Eschenhagen, Runa; Bauer, Matthias; Hennig, Philipp
Veröffentlicht in: Advances in Neural Information Processing Systems (NeurIPS), Ausgabe 34, 2021, Seite(n) 20089-20103
Herausgeber: Advances in Neural Information Processing Systems (NeurIPS)
DOI: 10.48550/arxiv.2106.14806

Probabilistic solvers enable a straight-forward exploration of numerical uncertainty in neuroscience models

Autoren: Jonathan Oesterle, Nicholas Krämer, Philipp Hennig, Philipp Berens
Veröffentlicht in: Journal of Computational Neuroscience, Ausgabe 50 (4), 2022, Seite(n) 485-503
Herausgeber: Springer US
DOI: 10.1007/s10827-022-00827-7

Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks

Autoren: Kristiadi, Agustinus; Hein, Matthias; Hennig, Philipp
Veröffentlicht in: ICML, Ausgabe 4, 2019
Herausgeber: ICML

Probabilistic Linear Solvers for Machine Learning

Autoren: Wenger, Jonathan; Hennig, Philipp
Veröffentlicht in: Advances in Neural Information Processing Systems, Ausgabe 33, 2020, Seite(n) 6731 - 6742
Herausgeber: Curran Associate Inc.
DOI: 10.48550/arxiv.2010.09691

Limitations of the empirical Fisher approximation for natural gradient descent

Autoren: Kunstner, Frederik; Hennig, Philipp; Balles, Lukas
Veröffentlicht in: Advances in Neural Information Processing Systems 32, Ausgabe 32, 2019, Seite(n) {4158--4169
Herausgeber: Curran Associates, Inc.

Pick-and-mix information operators for probabilistic ODE solvers

Autoren: Nathanael Bosch, Filip Tronarp, Philipp Hennig
Veröffentlicht in: International Conference on Artificial Intelligence and Statistics, Ausgabe 151, 2022, Seite(n) 10015-10027
Herausgeber: PMLR

A Fourier State Space Model for Bayesian ODE Filters

Autoren: Kersting, Hans; Mahsereci, Maren
Veröffentlicht in: Workshop on Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models, ICML, 2020
Herausgeber: ICML

Cockpit: A Practical Debugging Tool for the Training of Deep Neural Networks

Autoren: Schneider, Frank; Dangel, Felix; Hennig, Philipp
Veröffentlicht in: Advances in Neural Information Processing Systems, Ausgabe 34, 2021, Seite(n) 20825-20837
Herausgeber: Curran Associates Inc.
DOI: 10.48550/arxiv.2102.06604

Kernel Recursive ABC: Point Estimation with Intractable Likelihood

Autoren: Takafumi Kajihara, Motonobu Kanagawa, Keisuke Yamazaki, and Kenji Fukumizu
Veröffentlicht in: Proceedings of the International Conference on Machine Learning, Ausgabe 35, 2018, Seite(n) 2400-2409
Herausgeber: PMLR (Proceedings of Machine Learning Research

Convergence Guarantees for Adaptive Bayesian Quadrature Methods

Autoren: Motonobu Kanagawa, Philipp Hennig
Veröffentlicht in: Advances in Neural Information Processing Systems (NeurIPS), Ausgabe 32, 2019, Seite(n) 6234--6245
Herausgeber: Curran Associates, Inc.

Dissecting Adam: The Sign, Magnitude and Variance of Stochastic Gradients

Autoren: Lukas Balles, Philipp Hennig
Veröffentlicht in: Proceedings of the 35th International Conference on Machine Learning (ICML), Ausgabe 35, 2018, Seite(n) 404--413
Herausgeber: PMLR

DeepOBS: A Deep Learning Optimizer Benchmark Suite

Autoren: Schneider, Frank; Balles, Lukas; Hennig, Philipp
Veröffentlicht in: International Conference on Learning Representations (ICLR), Ausgabe 7, 2019
Herausgeber: ICLR

Limitations of the empirical Fisher approximation for natural gradient descent

Autoren: Frederik Kunstner, Philipp Hennig, Lukas Balles
Veröffentlicht in: Advances in Neural Information Processing Systems (NeurIPS), Ausgabe 32, 2019, Seite(n) 4158--4169
Herausgeber: Curran Associates, Inc.

Active Probabilistic Inference on Matrices for Pre-Conditioning in Stochastic Optimization

Autoren: Filip de Roos, Philipp Hennig
Veröffentlicht in: Proceedings of the 22nd International Conference on Artificial Intelligence and Statistics (AISTATS), Ausgabe 22, 2019, Seite(n) 1448--1457
Herausgeber: PMLR

Fast and Robust Shortest Paths on Manifolds Learned from Data

Autoren: Georgios Arvanitidis, Soren Hauberg, Philipp Hennig, Michael Schober
Veröffentlicht in: Proceedings of the 22nd International Conference on Artificial Intelligence and Statistics (AISTATS), Ausgabe 22, 2019, Seite(n) 1506--1515
Herausgeber: JMLR

Active Multi-Information Source Bayesian Quadrature

Autoren: Alexandra Gessner, Javier Gonzalez, Maren Mahsereci
Veröffentlicht in: Conference on Uncertainty in Artificial Intelligence (UAI), Ausgabe 35, 2019
Herausgeber: UAI

Convergence rates of Gaussian ODE filters

Autoren: Hans Kersting; Timothy Sullivan; Philipp Hennig
Veröffentlicht in: Statistics and computing, Ausgabe 30 (6), 2020, Seite(n) 1791-1816
Herausgeber: Springer US
DOI: 10.1007/s11222-020-09972-4

Being a Bit Frequentist Improves Bayesian Neural Networks

Autoren: Kristiadi, Agustinus; Hein, Matthias; Hennig, Philipp
Veröffentlicht in: International Conference on Artificial Intelligence and Statistics, Ausgabe 151, 2022, Seite(n) 529-545
Herausgeber: PMLR
DOI: 10.48550/arxiv.2106.10065

Linear-Time Probabilistic Solutions of Boundary Value Problems

Autoren: Krämer, Nicholas; Hennig, Philipp
Veröffentlicht in: Advances in Neural Information Processing Systems 34 (NeurIPS 2021), Ausgabe 34, 2021, Seite(n) 11160-11171
Herausgeber: Advances in Neural Information Processing Systems 34 (NeurIPS 2021)

Probabilistic DAG Search

Autoren: Grosse, Julia; Zhang, Cheng; Hennig, Philipp
Veröffentlicht in: Uncertainty in Artificial Intelligence, Ausgabe 161, 2021, Seite(n) 1424-1433
Herausgeber: PMLR
DOI: 10.48550/arxiv.2106.08717

A Probabilistic State Space Model for Joint Inference from Differential Equations and Data

Autoren: Schmidt, Jonathan; Krämer, Nicholas; Hennig, Philipp
Veröffentlicht in: Advances in Neural Information Processing Systems 34 (NeurIPS 2021), Ausgabe 34, 2021, Seite(n) 12374-12385
Herausgeber: Advances in Neural Information Processing Systems 34 (NeurIPS 2021)
DOI: 10.48550/arxiv.2103.10153

ProbNum: Probabilistic Numerics in Python

Autoren: Jonathan Wenger, Nicholas Krämer, Marvin Pförtner, Jonathan Schmidt, Nathanael Bosch, Nina Effenberger, Johannes Zenn, Alexandra Gessner, Toni Karvonen, François-Xavier Briol, Maren Mahsereci, Philipp Hennig
Veröffentlicht in: 2021
Herausgeber: arXiv
DOI: 10.48550/arxiv.2112.02100

Bayesian Quadrature on Riemannian Data Manifolds

Autoren: Fröhlich, Christian; Gessner, Alexandra; Hennig, Philipp; Schölkopf, Bernhard; Arvanitidis, Georgios
Veröffentlicht in: International Conference on Machine Learning, Ausgabe 139, 2021, Seite(n) 3459-3468
Herausgeber: PMLR
DOI: 10.48550/arxiv.2102.06645

Integrals over Gaussians under Linear Domain Constraints

Autoren: Gessner, Alexandra; Kanjilal, Oindrila; Hennig, Philipp
Veröffentlicht in: International Conference on Artificial Intelligence and Statistics. Proceedings of Machine Learning Research (PMLR), Ausgabe 1, 2020
Herausgeber: MLR Press
DOI: 10.48550/arxiv.1910.09328

Modular Block-diagonal Curvature Approximations for Feedforward Architectures

Autoren: Dangel, Felix; Harmeling, Stefan; Hennig, Philipp
Veröffentlicht in: Proceedings of the Twenty Third International Conference on Artificial Intelligence and Statistics, Ausgabe 2, 2020, Seite(n) 799-808
Herausgeber: PMLR

Differentiable Likelihoods for Fast Inversion of 'Likelihood-Free' Dynamical Systems

Autoren: Kersting, Hans; Krämer, Nicholas; Schiegg, Martin; Daniel, Christian; Tiemann, Michael; Hennig, Philipp
Veröffentlicht in: International Conference on Machine Learning (ICML), Ausgabe 11, 2020
Herausgeber: ICML

Resnet after all: Neural odes and their numerical solution

Autoren: Katharina Ott, Prateek Katiyar, Philipp Hennig, Michael Tiemann
Veröffentlicht in: International Conference on Learning Representations, 2021
Herausgeber: International Conference on Learning Representations

Conjugate Gradients for Kernel Machines

Autoren: Bartels, Simon; Hennig, Philipp
Veröffentlicht in: Journal of Machine Learning Research, 2020, Seite(n) 1-42
Herausgeber: Journal of Machine Learning Research

Bayesian ODE solvers: the maximum a posteriori estimate

Autoren: Filip Tronarp; Simo Särkkä; Philipp Hennig
Veröffentlicht in: Statistics and Computing, 31(3), Ausgabe 31, 2021, ISSN 0960-3174
Herausgeber: Kluwer Academic Publishers
DOI: 10.1007/s11222-021-09993-7

Convergence Analysis of Deterministic Kernel-Based Quadrature Rules in Misspecified Settings

Autoren: Motonobu Kanagawa, Bharath K. Sriperumbudur, Kenji Fukumizu
Veröffentlicht in: Foundations of Computational Mathematics, 2019, Seite(n) 1-40, ISSN 1615-3375
Herausgeber: Springer Verlag
DOI: 10.1007/s10208-018-09407-7

On the positivity and magnitudes of Bayesian quadrature weights

Autoren: Toni Karvonen, Motonobu Kanagawa, Simo Särkkä
Veröffentlicht in: Statistics and Computing, Ausgabe 29/6, 2019, Seite(n) 1317-1333, ISSN 0960-3174
Herausgeber: Kluwer Academic Publishers
DOI: 10.1007/s11222-019-09901-0

Probabilistic solutions to ordinary differential equations as nonlinear Bayesian filtering: a new perspective

Autoren: Filip Tronarp, Hans Kersting, Simo Särkkä, Philipp Hennig
Veröffentlicht in: Statistics and Computing, Ausgabe 29/6, 2019, Seite(n) 1297-1315, ISSN 0960-3174
Herausgeber: Kluwer Academic Publishers
DOI: 10.1007/s11222-019-09900-1

Probabilistic linear solvers: a unifying view

Autoren: Simon Bartels, Jon Cockayne, Ilse C. F. Ipsen, Philipp Hennig
Veröffentlicht in: Statistics and Computing, Ausgabe 29/6, 2019, Seite(n) 1249-1263, ISSN 0960-3174
Herausgeber: Kluwer Academic Publishers
DOI: 10.1007/s11222-019-09897-7

Probabilistic Numerics: Computation as Machine Learning

Autoren: Philipp Hennig, Michael A. Osborne, Hans P. Kersting
Veröffentlicht in: 2022, ISBN 9781316681411
Herausgeber: Cambridge University Press
DOI: 10.1017/9781316681411

Veröffentlichungen

Diese Seite teilen Diese Seite in sozialen Netzwerken teilen

Herunterladen Den Inhalt der Seite herunterladen