使用高斯过程在监督学习中高效建模潜在信息
机器学习
2017-05-30 v1 机器学习
摘要
在机器学习中，数据通常是在多种条件的组合下收集的，例如多个人的语音记录，每条记录均标有一个 ID。我们如何构建一个能捕获与这些条件相关的潜在信息，并在仅有少量数据时泛化到新条件的模型？我们提出了一种名为 Latent Variable Multiple Output Gaussian Processes (LVMOGP) 的新模型，它允许对回归中的多种条件进行联合建模，并在测试阶段利用少量数据点泛化到新条件。LVMOGP 推断高斯过程的后验以及表示不同条件信息的潜在空间。我们为 LVMOGP 推导了一种高效的变分推断方法，其计算复杂度与稀疏高斯过程一样低。我们表明，在合成数据与真实数据的各种任务上，LVMOGP 显著优于相关的高斯过程方法。
引用
@article{arxiv.1705.09862,
title = {Efficient Modeling of Latent Information in Supervised Learning using Gaussian Processes},
author = {Zhenwen Dai and Mauricio A. Álvarez and Neil D. Lawrence},
journal= {arXiv preprint arXiv:1705.09862},
year = {2017}
}