变换潜在变量多输出高斯过程
机器学习
2026-05-29 v3
摘要
多输出高斯过程（MOGPs）提供了一种原则性的概率框架，用于建模相关输出，但在应用于输出空间高维数据集时面临可扩展性瓶颈。为保持可行性，现有方法通常依赖限制性假设，例如采用低秩或求和可分离核函数，这会限制表达能力。我们提出了变换潜在变量多输出高斯过程（T-LVMOGP），这是一种新的框架，可将MOGP扩展到大量输出，同时保持捕获有意义输出间依赖关系的能力。T-LVMOGP通过使用具有Lipschitz正则化的神经网络，将输入和输出特定的潜在变量映射到嵌入空间，从而构建灵活的多输出深度核。结合随机变分推断，我们的模型在高维输出设置下表现出色。在包括10,000多个输出的气候建模和零膨胀空间转录组数据等多个基准测试中，T-LVMOGP在预测精度和计算效率方面均优于基线方法。
引用
@article{arxiv.2605.05133,
title = {Transformed Latent Variable Multi-Output Gaussian Processes},
author = {Xiaoyu Jiang and Xinxing Shi and Sokratia Georgaka and Magnus Rattray and Mauricio A Álvarez},
journal= {arXiv preprint arXiv:2605.05133},
year = {2026}
}
备注
ICML 2026