对数时间下的时序高斯过程回归
机器学习
2021-05-18 v4 统计计算
统计方法学
摘要
本文旨在提出一种用于时序高斯过程（GP）回归问题的新颖并行化方法。该方法允许以对数 O(log N) 时间求解GP回归问题，其中N为时间步数。我们的方法使用时域GP的状态空间表示，其原始形式通过利用卡尔曼滤波和平滑方法可实现线性 O(N) 时间GP回归。通过使用最近提出的贝叶斯滤波器和平滑器并行化方法，我们能够将时序GP回归问题的线性计算复杂度降低为对数跨度复杂度。这确保了在图形处理单元（GPU）等并行硬件上运行时具有对数时间复杂度。我们通过基于GPflow框架的开源实现，在模拟和真实数据集上实验性地展示了计算优势。
引用
@article{arxiv.2102.09964,
title = {Temporal Gaussian Process Regression in Logarithmic Time},
author = {Adrien Corenflos and Zheng Zhao and Simo Särkkä},
journal= {arXiv preprint arXiv:2102.09964},
year = {2021}
}