通过子空间投影实现高效高斯过程学习
机器学习
2026-01-28 v2 信号处理
摘要
我们提出了一种用于由数据低维线性投影构建的GP的新训练目标，称为投影似然（projected likelihood, PL）。我们提供了关于PL相关信息损失的闭式表达式，并经验性地表明，可以通过对单位球上的随机投影来减少这种损失。我们在不同优化器、核函数和中等规模数据集上，证明了PL在准确性和计算效率方面优于精确GP训练和变分自由能方法所使用的稀疏GP。
引用
@article{arxiv.2601.16332,
title = {Efficient Gaussian process learning via subspace projections},
author = {Elsa Cazelles and Felipe Tobar},
journal= {arXiv preprint arXiv:2601.16332},
year = {2026}
}
备注
Accepted at IEEE ICASSP 2026