利用具有签名协方差的高斯过程从序列数据进行贝叶斯学习
机器学习
2020-07-07 v2 机器学习
概率论
摘要
我们开发了一种利用具有所谓签名核作为协方差函数的高斯过程（GPs）从序列数据进行贝叶斯学习的方法。这使得不同长度的序列具有可比性，并依赖于随机分析中的强理论结果。签名以张量捕获序列结构，其在序列长度和状态空间维度上可能呈不利缩放。为此，我们引入了一种具有诱导张量的稀疏变分方法。然后我们将所得 GP 与 LSTMs 和 GRUs 结合，构建更大的模型以利用每种方法的优势，并在多元时间序列（TS）分类数据集上对所得 GPs 进行基准测试。代码见 https://github.com/tgcsaba/GPSig。
引用
@article{arxiv.1906.08215,
title = {Bayesian Learning from Sequential Data using Gaussian Processes with Signature Covariances},
author = {Csaba Toth and Harald Oberhauser},
journal= {arXiv preprint arXiv:1906.08215},
year = {2020}
}
备注
Near camera ready version for ICML 2020. Previous title: "Variational Gaussian Processes with Signature Covariances"