常用状态空间时间序列模型的高斯过程核
机器学习
2016-10-27 v1
摘要
在本文中，我们研究了用于时间序列建模与预测的态空间模型与高斯过程（GP）之间的联系。特别地，将几种广泛使用的状态空间模型转换为连续时间形式，并推导了相应的高斯过程核。实验结果表明，所推导的GP核是正确的且适用于高斯过程回归。使用真实世界数据集的实验表明，使用状态空间模型与所提出的GP核进行建模是相同的。所考虑的联系允许研究人员从不同的角度看待他们的模型，并促进这两种不同建模方法之间的思想共享。
引用
@article{arxiv.1610.08074,
title = {Gaussian Process Kernels for Popular State-Space Time Series Models},
author = {Alexander Grigorievskiy and Juha Karhunen},
journal= {arXiv preprint arXiv:1610.08074},
year = {2016}
}