流式高斯狄利克雷随机场用于高维分类观测的空间预测
机器人学
2024-02-26 v1 机器学习
摘要
我们提出了流式高斯狄利克雷随机场（S-GDRF）模型，这是一种用于建模时空分布、稀疏、高维分类观测数据流的新方法。该方法高效地学习时空数据中的全局和局部模式，允许在有限时间复杂度下进行快速推理和查询。利用神经网络分类的高分辨率浮游生物图像数据序列，我们展示了该方法相比变分高斯过程（VGP）能够做出更准确的预测，并从流式分类数据中学习观测的预测分布。S-GDRF为高维分类观测数据的高效信息路径规划打开了大门，而这在以前是不可行的。
引用
@article{arxiv.2402.15359,
title = {Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of High Dimensional Categorical Observations},
author = {J. E. San Soucie and H. M. Sosik and Y. Girdhar},
journal= {arXiv preprint arXiv:2402.15359},
year = {2024}
}
备注
10 pages, 5 figures. Published in Springer Proceedings of Advanced Robotics, ISER 2023 Conference Proceedings