基于随机变分推断的可扩展多输出高斯过程
机器学习
2025-06-13 v2 机器学习
摘要
多输出高斯过程是建模来自多个来源的数据的流行工具。构建 MOGP 协方差函数的典型选择是线性核心 regionalization (LMC)，它参数化地建模输出之间的协方差。潜在变量 MOGP (LV-MOGP) 通过对每个输出应用的核函数建模输出之间的协方差，从而推广了这一想法，导致一个灵活的 MOGP 模型，允许使用少量数据点高效地推广到新的输出。在 LV-MOGP 中，计算复杂度随输出数量线性增长，这使得其不适用于大量输出的问题。本文提出一种随机变分推断方法，用于 LV-MOGP，允许对输入和输出进行 mini-batch，使每个训练迭代的计算复杂度与输出数量无关。
引用
@article{arxiv.2407.02476,
title = {Scalable Multi-Output Gaussian Processes with Stochastic Variational Inference},
author = {Xiaoyu Jiang and Sokratia Georgaka and Magnus Rattray and Mauricio A. Álvarez},
journal= {arXiv preprint arXiv:2407.02476},
year = {2025}
}