用于分类的偏斜高斯过程
机器学习
2020-05-28 v1 机器学习
摘要
高斯过程（GPs）是函数的分布，为回归和分类提供了贝叶斯非参数方法。尽管取得了成功，GPs 在某些应用中用途有限，例如，在某些情况下，关于其均值对称的分布是不合理的模型。这意味着，例如，均值和中位数重合，而在非对称（偏斜）分布中均值和中位数可以是不同的数。在本文中，我们提出偏斜高斯过程（SkewGPs）作为函数的非参数先验。SkewGP 将有限维向量上的多元统一偏斜正态分布扩展为随机过程。SkewGP 分布类包含 GPs，因此 SkewGPs 继承了 GPs 的所有良好性质，并通过在概率模型中允许不对称性增加了其灵活性。通过利用 SkewGP 与 probit 似然为共轭模型这一事实，我们推导了该新非参数分类器的边际似然和预测分布的闭式表达式。我们经实验验证所提出的 SkewGP 分类器比基于拉普拉斯方法或期望传播的 GP 分类器提供了更好的性能。
引用
@article{arxiv.2005.12987,
title = {Skew Gaussian Processes for Classification},
author = {Alessio Benavoli and Dario Azzimonti and Dario Piga},
journal= {arXiv preprint arXiv:2005.12987},
year = {2020}
}
备注
25 pages, 10 figures