输出依赖的高斯过程状态空间模型
机器学习
2022-12-16 v1 系统与控制
信号处理
系统与控制
摘要
高斯过程状态空间模型（GPSSM）是一种完全概率化的状态空间模型，在过去十年中备受关注。然而，现有 GPSSM 中转移函数的输出被假设为相互独立的，这意味着 GPSSM 无法利用不同输出之间的归纳偏置，并丧失了一定的模型能力。为解决此问题，本文利用著名、简单而实用的共区域化线性模型（LMC）框架来表示输出依赖关系，从而提出了一种输出依赖且更贴近实际的 GPSSM。为联合学习输出依赖的 GPSSM 并推断隐状态，我们提出了一种基于变分稀疏高斯过程的学习方法，其仅轻微增加计算复杂度。在合成与真实数据集上的实验证明了输出依赖 GPSSM 在学习和推断性能方面的优越性。
引用
@article{arxiv.2212.07608,
title = {Output-Dependent Gaussian Process State-Space Model},
author = {Zhidi Lin and Lei Cheng and Feng Yin and Lexi Xu and Shuguang Cui},
journal= {arXiv preprint arXiv:2212.07608},
year = {2022}
}
备注
5 pages, 4 figures