关于异方差高斯过程后验分布的理论分析

Yuji Ito

关于异方差高斯过程后验分布的理论分析

最优化与控制 2024-10-22 v1 机器学习

作者: Yuji Ito

摘要

本研究引入了一种新型理论框架，用于分析异方差高斯过程(Heteroscedastic Gaussian Processes, HGPs)，这些过程以数据驱动的方式识别未知系统。尽管HGPs有效地解决了复杂训练数据集中噪声的异方差性问题，但计算HGPs的确切后验分布具有挑战性，因为这些分布不再是多元正态分布。本研究推导了后验分布的确切均值、方差和累积分布。进而，将推导的理论结果应用于机会约束跟踪控制器。当HGP识别植物系统中未知扰动后，控制器即可在扰动存在的情况下处理关于系统的机会约束问题。

关键词

异方差高斯过程后验分布确切均值方差累积分布

引用

@article{arxiv.2409.12622,
  title  = {Theoretical Analysis of Heteroscedastic Gaussian Processes with Posterior Distributions},
  author = {Yuji Ito},
  journal= {arXiv preprint arXiv:2409.12622},
  year   = {2024}
}

备注

This work has been submitted to the IEEE for possible publication

关于异方差高斯过程后验分布的理论分析

摘要

关键词

引用

备注

相关论文