非共轭高斯过程模型的逐段常数近似
机器学习
2022-04-25 v1 机器学习
摘要
高斯过程（GPs）是贝叶斯机器学习中一种通用且流行的方法。常见的改进是稀疏变分高斯过程（SVGPs），其非常适于处理大规模数据集。虽然 GPs 能以封闭形式优雅地处理高斯分布目标变量，但其适用性也可扩展至非高斯数据。这些扩展通常无法以封闭形式处理，因此需要近似解。本文提出用逐段常数函数近似逆链接函数（在处理非高斯似然时必需）。将表明这给出了相应 SVGP 下界的封闭形式解。此外，展示了逐段常数函数本身如何被优化，从而得到可从手头数据学习的逆链接函数。
引用
@article{arxiv.2204.10575,
title = {A piece-wise constant approximation for non-conjugate Gaussian Process models},
author = {Sarem Seitz},
journal= {arXiv preprint arXiv:2204.10575},
year = {2022}
}