利用概率电路进行非参数多输出回归
机器学习
2021-08-03 v2 机器学习
摘要
受近期基于专家的的高斯过程（GPs）近似领域进展的启发，我们提出一种使用单输出 GP 专家进行大规模多输出回归的基于专家的方法。采用通过概率电路编码的单输出 GPs 的深度结构化混合，使我们能够准确捕捉多个输出维度间的相关性。通过递归划分协变量空间与输出空间，我们模型中的后验推断简化为对单输出 GP 专家的推断，其仅需以一小部分观测为条件。我们表明，推断可在模型中精确且高效地执行，其能捕捉输出维度间的相关性，因此常在负对数预测密度方面优于未纳入输出间相关性的方法，正如在若干数据集上所展示的。
引用
@article{arxiv.2106.08687,
title = {Leveraging Probabilistic Circuits for Nonparametric Multi-Output Regression},
author = {Zhongjie Yu and Mingye Zhu and Martin Trapp and Arseny Skryagin and Kristian Kersting},
journal= {arXiv preprint arXiv:2106.08687},
year = {2021}
}
备注
Accepted for the 37th Conference on Uncertainty in Artificial Intelligence (UAI 2021)