利用高斯过程学习非参数 Volterra 核
机器学习
2021-06-11 v1 机器学习
摘要
本文提出一种通过 Volterra 级数并使用高斯过程（GPs）表示核来进行非线性算子的非参数贝叶斯学习的方法，我们称之为非参数 Volterra 核模型（NVKM）。当算子的输入函数未被观测且具有 GP 先验时，NVKM 构成了一种用于单输出与多输出回归的有力方法，并可视为一种非线性非参数潜力模型。当输入函数被观测时，NVKM 可用于执行贝叶斯系统辨识。我们利用近期从 GPs 中高效采样显式函数的进展，将过程实现通过 Volterra 级数进行映射而无需借助数值积分，从而通过双重随机变分推断实现可扩展性，并避免对输出过程进行高斯近似。我们使用标准基准展示了该模型在多输出回归和系统辨识上的性能。
引用
@article{arxiv.2106.05582,
title = {Learning Nonparametric Volterra Kernels with Gaussian Processes},
author = {Magnus Ross and Michael T. Smith and Mauricio A. Álvarez},
journal= {arXiv preprint arXiv:2106.05582},
year = {2021}
}
备注
17 pages, 5 figures