通过直接Cholesky函数表示的可扩展分组高斯过程
机器学习
2019-07-23 v2 机器学习
摘要
我们考虑多任务回归模型，其中观测值被假定为若干潜在节点函数和权重函数的线性组合，这些函数均从高斯过程（GP）先验中抽取，并允许分组潜在函数之间存在非零协方差。我们表明，当这些分组函数在给定组相关枢轴条件下条件独立时，可以直接通过稀疏Cholesky因子参数化先验，从而在推断过程中避免对其进行计算。此外，我们确立，在输入点上可乘性可分的内核无需任何额外假设即可自然产生此类稀疏参数化。最后，我们将这些稀疏结构的使用扩展到变分推断中近似后验，进一步提升了在函数数量上的可扩展性。我们在关于分布式太阳能预测的多任务数据集上测试了我们的方法，结果表明其优于若干多任务GP基线，且我们的稀疏设定达到了与非稀疏对应方法相同或更好的精度。
引用
@article{arxiv.1903.03986,
title = {Scalable Grouped Gaussian Processes via Direct Cholesky Functional Representations},
author = {Astrid Dahl and Edwin V. Bonilla},
journal= {arXiv preprint arXiv:1903.03986},
year = {2019}
}
备注
14 pages, 4 figures