用于学习目标方差的 Gaussian Process 中的非对称核
机器学习
2018-03-20 v1 计算机视觉与模式识别
机器学习
摘要
本工作将数据分布的多模态性纳入 Gaussian Process 回归模型。我们从判别式视角出发，通过度量学习在训练数据上联合学习特定样本邻域内的目标空间方差。我们首先使用数据中心而非所有训练样本。随后，每个中心选择一个个性化的核度量。这使得每个中心能够根据目标的拓扑结构调整其邻域内的核空间——这是一种多模态方法。我们通过允许每个中心学习一个精度矩阵来进一步增加描述性。我们通过实验验证了该模型的可靠性。
关键词
引用
@article{arxiv.1803.06952,
title = {Asymmetric kernel in Gaussian Processes for learning target variance},
author = {Silvia L. Pintea and Jan C. van Gemert and Arnold W. M. Smeulders},
journal= {arXiv preprint arXiv:1803.06952},
year = {2018}
}
备注
Accepted in Pattern Recognition Letters, 2018