Existe-t-il un moyen d'effectuer une régression de processus gaussienne sur une sortie multidimensionnelle (éventuellement corrélée) à l'aide de GPML ?
Dans le script de démonstration, je ne pouvais trouver qu'un exemple 1D.
Une question similaire sur le CV qui aborde le cas de l'entrée multidimensionnelle.
J'ai parcouru leur livre pour voir si je pouvais trouver quoi que ce soit. Dans le 9ème chapitre de ce livre (section 9.1), ils ont mentionné ce cas de sorties multiples. Ils ont mentionné deux façons de résoudre ce problème, un - en utilisant un processus de bruit corrélé et deux - cokrigeage (corrélé avant).
Je ne sais toujours pas comment je peux incorporer l'une de ces idées dans le cadre GPML.
Existe-t-il également d'autres bibliothèques / frameworks GP qui prennent en charge la sortie multidimensionnelle?
la source
Réponses:
Je crois que les processus gaussiens jumeaux sont exactement ce que vous recherchez. Je ne peux pas mieux décrire le modèle que l'abstrait du papier lui-même, donc je vais juste le copier-coller:
Les auteurs ont généreusement fourni du code et des exemples de jeux de données pour commencer.
la source
Réponse courte La régression pour la sortie multidimensionnelle est un peu délicate et dans mon niveau actuel de connaissances, elle n'est pas directement intégrée dans la boîte à outils GPML.
Réponse longue Vous pouvez décomposer votre problème de régression de sortie multidimensionnelle en 3 parties différentes.
J'espère que ça aide :)
la source
Ceci est un module de scikit-learn qui a fonctionné étonnamment bien pour moi:
http://scikit-learn.org/stable/auto_examples/gaussian_process/plot_gp_regression.html
la source
Je cherchais des processus gaussiens à sorties multiples et j'ai trouvé de nombreuses façons d'agir avec, comme la méthode de convolution, la méthode de modélisation à effets mixtes et le dernier celui-ci Twin Gaussian Processes (TGP).
J'ai un doute sur le concept des processus gaussiens jumeaux (TGP). Quelqu'un peut-il m'aider avec ça?
la source