具有稀疏核的零膨胀高斯过程变分方法
机器学习
2018-03-15 v1
摘要
零膨胀数据集（具有过多零输出）常见于气候或稀有事件建模等问题中。常规的机器学习方法往往高估非零值，导致性能不佳。我们针对此类零膨胀数据集提出一类新颖的零膨胀高斯过程（ZiGP）模型，该模型由稀疏核产生，通过学习一个潜隐probit高斯过程，在信号缺失时可将核的行与列置零。ZiGP特别有助于使强大的高斯过程网络更具可解释性。我们引入稀疏GP网络，其中可变阶潜隐建模通过稀疏混合信号实现。我们推导出非平凡的随机变分推断，以可处理地可扩展地学习两个模型中的稀疏核。这种新颖的输出稀疏方法同时改善了零膨胀数据的预测与潜隐混合模型的可解释性。
引用
@article{arxiv.1803.05036,
title = {Variational zero-inflated Gaussian processes with sparse kernels},
author = {Pashupati Hegde and Markus Heinonen and Samuel Kaski},
journal= {arXiv preprint arXiv:1803.05036},
year = {2018}
}
备注
10 pages, 8 pages appendix