多分辨率多任务高斯过程
机器学习
2019-11-06 v2 机器学习
摘要
我们考虑在变化的时空采样分辨率与噪声水平下，由潜在相关的观测过程进行证据集成。我们发展了多分辨率多任务（MRGP）框架，同时允许任务间与任务内的多分辨率与多保真度。我们发展了浅层高斯过程（GP）混合，以复合似然近似难以估计的联合似然，以及自然处理均值中偏差的深度 GP 构造。由此，我们推广并超越了最先进的 GP 组合方法，并提供信息论修正与高效变分近似。我们在合成设定以及从以不同 spacetime 分辨率运行的多种传感模态对伦敦空气污染水平进行超局部估计这一挑战性问题上展示了 MRGP 的竞争力。
引用
@article{arxiv.1906.08344,
title = {Multi-resolution Multi-task Gaussian Processes},
author = {Oliver Hamelijnck and Theodoros Damoulas and Kangrui Wang and Mark Girolami},
journal= {arXiv preprint arXiv:1906.08344},
year = {2019}
}