多任务 Copula 过程的直推式学习
机器学习
2014-06-03 v1 机器学习
摘要
我们解决了基于 copula 过程的多任务学习问题。空间和时空过程中的多变量预测（如自然资源估算和污染监测）通常采用基于高斯过程和协同克里金法的技术来解决。虽然高斯先验假设在分析和计算角度都很方便，但自然界主要由非高斯似然主导。Copula 过程通过累积分布函数而非边缘分布来捕捉随机变量的依赖结构，是处理各种非高斯似然的优雅且灵活的解决方案。我们展示了如何将 copula 过程的多任务学习用于改进那些简单高斯先验假设不成立问题的多变量预测。随后，我们提出了一种用于多任务学习的直推式近似，并推导了 copula 过程模型的解析表达式。该方法在一个人工数据集以及两个用于自然资源估算和混凝土坍落度预测的公开数据集上进行了评估，并与其他技术进行了比较。
引用
@article{arxiv.1406.0304,
title = {Transductive Learning for Multi-Task Copula Processes},
author = {Markus Schneider and Fabio Ramos},
journal= {arXiv preprint arXiv:1406.0304},
year = {2014}
}