用于空间结果灵活非平稳建模的混合平稳高斯过程
机器学习
2018-07-19 v1 机器学习
摘要
高斯过程（GPs）在空间统计中十分常见。尽管已开发许多非平稳模型，但相较于为每个位置配备其自身参数而言，灵活性可谓不足。然而后者存在计算难解问题并可能导致过拟合。借鉴瞬时平稳思想，我们构造了一种非平稳 GP，其平稳参数在各位置单独设定。随后我们利用非参数混合模型来减少唯一参数的有效数量。与简单独立 GPs 混合不同，平稳性上的混合允许各分量空间相关，从而提升预测效率。我们考察了理论性质并提供了线性可扩展算法。该应用通过若干模拟场景以及大规模时空相关温度数据予以展示。
引用
@article{arxiv.1807.06656,
title = {Mixed-Stationary Gaussian Process for Flexible Non-Stationary Modeling of Spatial Outcomes},
author = {Leo L. Duan and Xia Wang and Rhonda D. Szczesniak},
journal= {arXiv preprint arXiv:1807.06656},
year = {2018}
}