基于共识的递归多输出高斯过程
机器学习
2026-04-14 v1 信号处理
摘要
多输出高斯过程（Multi-output Gaussian Process）提供了以不确定性为导向的向量场学习方法，但由于其计算密集和集中化特性，在大规模、分布式和流式环境中难以部署。本文提出了一种基于共识的递归多输出高斯过程（Consensus-based Recursive Multi-Output Gaussian Process，CRMGP）框架，将共享基向量上的递归推理与邻近间信息共识更新相结合。所得方法支持并行、完全分布式学习，保持每步计算的有界复杂度，同时保留输出间的相关性和校准的不确定性。在合成风场和真实 LiDAR 数据上的实验表明，CRMGP 在预测性能和可靠不确定性校准方面均表现出竞争力，为多智能体感知应用提供了集中式高斯过程模型的可扩展替代方案。
引用
@article{arxiv.2604.10146,
title = {Consensus-based Recursive Multi-Output Gaussian Process},
author = {Yogesh Prasanna Kumar Rao and Tamas Keviczky and Raj Thilak Rajan},
journal= {arXiv preprint arXiv:2604.10146},
year = {2026}
}
备注
Submitted to International Workshop on Signal Processing and Artificial Intelligence in Wireless Communications (IEEE SPAWC 2026)