多输出高斯过程的谱混合核
机器学习
2017-11-07 v2 机器学习
摘要
多输出高斯过程 (MOGP) 的早期方法依赖于独立的、隐式的单输出高斯过程 (GP) 的线性组合。这导致交叉协方差函数具有有限的参数化解释，从而与单输出 GP 理解长度尺度、频率和幅度等能力相冲突。相反，当前 MOGP 方法通过将交叉协方差直接建模为带相移的谱混合核，能够更好地解释不同通道之间的关系。我们扩展这一原理，提出一个参数化的复值交叉谱密度族，并基于 Cramér 定理 (Bochner 定理的多元版本) 提供设计多元协方差函数的原则性方法。如此构建的核除相位差外还能建模通道间延迟，因此比先前方法更具表达力，同时也提供跨通道关系的完整参数化解释。所提方法首先在合成数据上验证，然后在两个真实示例上与现有 MOGP 方法进行比较。
引用
@article{arxiv.1709.01298,
title = {Spectral Mixture Kernels for Multi-Output Gaussian Processes},
author = {Gabriel Parra and Felipe Tobar},
journal= {arXiv preprint arXiv:1709.01298},
year = {2017}
}
备注
To appear in Advances in Neural Information Processing Systems 31 (NIPS 2017)