鲁棒深度高斯过程

Jeremias Knoblauch

鲁棒深度高斯过程

机器学习 2019-05-22 v2 人工智能机器学习

作者: Jeremias Knoblauch

摘要

本报告深入概述了广义变分推断(GVI)(Knoblauch et al., 2019)为深度高斯过程(DGPs)(Damianou & Lawrence, 2013)带来的意义与新意。具体而言，从信息几何视角出发，论证了对模型误设的鲁棒性以及不确定性量化的原则性替代方案。这些修正具有清晰的解释，且可用少于100行Python代码实现。最重要的是，相应的实证结果表明DGPs可大幅受益于所呈现的增强。

关键词

深度高斯过程广义变分推断鲁棒性模型误设不确定性量化信息几何

引用

@article{arxiv.1904.02303,
  title  = {Robust Deep Gaussian Processes},
  author = {Jeremias Knoblauch},
  journal= {arXiv preprint arXiv:1904.02303},
  year   = {2019}
}

备注

11 pages, 4 figures

相关论文

查看更多相关论文 →