具有整体-局部尺度结构的在线学生-t过程用于非平稳数据建模
机器学习
2023-11-02 v1 机器学习
摘要
随时间变化的数据常常表现出非平稳性和重尾误差等特征，若使用流行模型中典型的假设来建模是不恰当的。因此，需要更灵活的方法来适应此类问题。为此，我们提出了一种具有整体-局部尺度协方差结构的贝叶斯学生-t过程混合模型。此外，我们使用序贯蒙特卡洛（SMC）采样器，以便在数据实时到达时执行在线推断。我们在真实世界数据集上证明了所提方法相对于典型基于高斯过程模型的优越性，从而证明了使用学生-t过程混合的必要性。
引用
@article{arxiv.2311.00564,
title = {Online Student-$t$ Processes with an Overall-local Scale Structure for Modelling Non-stationary Data},
author = {Taole Sha and Michael Minyi Zhang},
journal= {arXiv preprint arXiv:2311.00564},
year = {2023}
}
备注
9 pages,5 figures