用于建模隐变量耦合的互依赖Hadamard核
机器学习
2017-10-04 v2
摘要
我们引入一种新颖的核，用于建模跨多个隐过程的输入依赖耦合。成对联合核以互依赖的方式沿输入和跨不同隐信号测量协方差。隐相关高斯过程（Latent Correlation Gaussian Process, LCGP）模型通过输入依赖的混合矩阵将这些非平稳隐分量组合成多个输出。通过变分贝叶斯推断推导了Probit分类和对多个观测集的支持。在多个数据集上的结果表明，LCGP模型能够恢复隐信号之间的相关性，同时达到最先进的性能。我们通过一个EEG分类数据集突出隐协方差，其中隐脑过程及其耦合同时从模型中涌现。
引用
@article{arxiv.1702.08402,
title = {A Mutually-Dependent Hadamard Kernel for Modelling Latent Variable Couplings},
author = {Sami Remes and Markus Heinonen and Samuel Kaski},
journal= {arXiv preprint arXiv:1702.08402},
year = {2017}
}
备注
17 pages, 6 figures; accepted to ACML 2017