在单纯形上滑雪：基于置换晶格的核插值用于可扩展高斯过程
机器学习
2021-06-15 v1 机器学习
摘要
最先进的可扩展高斯过程方法使用迭代算法，需要与协方差核进行快速矩阵向量乘（MVM）。结构化核插值（SKI）框架通过在网格上执行高效 MVM 并将结果插值回原始空间来加速这些 MVM。在本工作中，我们建立了 SKI 与用于高维快速双边滤波的置换晶格之间的联系。使用稀疏单纯形网格而非稠密矩形网格，我们可以比 SKI 在维度上以指数级更快的速度执行 GP 推断。我们的方法 Simplex-GP 能够将 SKI 扩展到高维，同时保持强劲的预测性能。我们还提供了 Simplex-GP 的 CUDA 实现，可显著加速基于 MVM 的推断的 GPU 计算。
引用
@article{arxiv.2106.06695,
title = {SKIing on Simplices: Kernel Interpolation on the Permutohedral Lattice for Scalable Gaussian Processes},
author = {Sanyam Kapoor and Marc Finzi and Ke Alexander Wang and Andrew Gordon Wilson},
journal= {arXiv preprint arXiv:2106.06695},
year = {2021}
}
备注
International Conference on Machine Learning (ICML), 2021