Les processus gaussiens font référence à des processus stochastiques dont la réalisation consiste en des variables aléatoires normalement distribuées, avec la propriété supplémentaire que toute collection finie de ces variables aléatoires a une distribution normale multivariée. La machinerie des processus gaussiens peut être utilisée dans les problèmes de régression et de classification.
Je viens de commencer à lire sur les GPs et analogue à la distribution gaussienne régulière, elle est caractérisée par une fonction moyenne et la fonction de covariance ou le noyau. J'étais en train de parler et l'orateur a dit que la fonction moyenne est généralement assez inintéressante et que...
Je suis un peu confus. Pourquoi les processus gaussiens sont-ils appelés modèles non paramétriques? Ils supposent que les valeurs fonctionnelles, ou un sous-ensemble d'entre elles, ont un a priori gaussien avec une moyenne 0 et une fonction de covariance donnée comme fonction du noyau. Ces...
Est-il vrai que les méthodes bayésiennes ne conviennent pas? (J'ai vu des articles et des tutoriels faisant cette affirmation) Par exemple, si nous appliquons un processus gaussien au MNIST (classification des chiffres manuscrits), mais que nous ne lui montrons qu'un seul échantillon,...
J'ai lu Maraun et al , "Processus gaussiens non stationnaires dans le domaine des ondelettes: synthèse, estimation et tests significatifs" (2007) qui définit une classe de généralistes non stationnaires qui peuvent être spécifiés par des multiplicateurs dans le domaine des ondelettes. Une...
L'année dernière, au NIPS 2017, Ali Rahimi et Ben Recht ont remporté le prix du test du temps pour leur article "Random Features for Large-Scale Kernel Machines" où ils ont introduit des fonctionnalités aléatoires, codifiées plus tard comme l'algorithme des éviers de cuisine aléatoires. Dans le...
note: sans réponse correcte après un mois, j'ai republié sur SO Contexte J'ai un modèle, , où Y = f ( X )FFfOui= f( X )Oui=F(X)Y=f(\textbf{X}) est unematrice n × m d'échantillons à partir de m paramètres et Y est levecteur n × 1 des sorties du modèle.XX\textbf{X}n × mn×mn \times mmmmYYYn×1n×1n...
J'apprends le processus gaussien et n'ai entendu que des morceaux. J'apprécierais vraiment les commentaires et les réponses. Pour tout ensemble de données, est-il vrai qu'une approximation de la fonction du processus gaussien donnerait une erreur d'ajustement nulle ou négligeable aux points de...
Je lis un manuel Gaussian Process for Machine Learning de CE Rasmussen et CKI Williams et j'ai du mal à comprendre ce que signifie la distribution sur les fonctions . Dans le manuel, un exemple est donné, qu'il faut imaginer une fonction comme un vecteur très long (en fait, il devrait être...
Je sais que la régression de processus gaussienne (GPR) est une alternative à l'utilisation de splines pour ajuster des modèles flexibles non linéaires. Je voudrais savoir dans quelles situations l'une serait plus appropriée que l'autre, notamment dans le cadre de régression bayésienne. J'ai déjà...
La divergence de Kullback-Leibler est une métrique pour comparer deux fonctions de densité de probabilité, mais quelle métrique est utilisée pour comparer deux GP et
On dit souvent que la régression du processus gaussien correspond (GPR) à la régression linéaire bayésienne avec une quantité (éventuellement) infinie de fonctions de base. J'essaie actuellement de comprendre cela en détail pour avoir une intuition sur le type de modèles que je peux exprimer en...
J'ai cette confusion liée aux avantages des processus gaussiens. Je veux le comparer à une simple régression linéaire, où nous avons défini que la fonction linéaire modélise les données. Cependant, dans les processus gaussiens, nous définissons la distribution des fonctions signifie que nous ne...
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...
J'essaie de régler les hyperparamètres de l'algorithme de régression de processus gaussien que j'ai implémenté. Je veux simplement maximiser la probabilité marginale de log donnée par la formule où K est la matrice de covariance avec le éléments K_ {ij} = k (x_i, x_j) = b ^ {- 1} \ exp (- \ frac...
Je crois que la dérivée d'un processus gaussien (GP) est un autre GP, et je voudrais donc savoir s'il existe des équations de forme fermée pour les équations de prédiction de la dérivée d'un GP? En particulier, j'utilise le noyau de covariance exponentielle au carré (également appelé gaussien) et...
Contexte et problème J'utilise des processus gaussiens (GP) pour la régression et l'optimisation bayésienne subséquente (BO). Pour la régression, j'utilise le paquet gpml pour MATLAB avec plusieurs modifications personnalisées, mais le problème est général. C'est un fait bien connu que lorsque deux...
J'utilise le processus gaussien (GP) pour la régression. Dans mon problème, il est assez courant que deux ou plusieurs points de données soient proches l'un de l'autre, relativement aux échelles de longueur du problème. De plus, les observations peuvent être extrêmement bruyantes. Pour accélérer...
J'entraîne un processus gaussien avec un noyau ARD avec beaucoup de paramètres en maximisant la lisibilité marginale des données, au lieu de la validation croisée. Je soupçonne que c'est trop adapté. Comment puis-je tester cette suspicion dans un contexte
Le processus gaussien a été largement utilisé, notamment en émulation. On sait que la demande de calcul est élevée ( ).0(n3)0(n3)0(n^3) Qu'est-ce qui les rend populaires? Quels sont leurs principaux avantages cachés? Pourquoi sont-ils utilisés à la place des modèles paramétriques (par modèle...
Je fais du ML à mon université, et le professeur a mentionné le terme Attente (E), alors qu'il essayait de nous expliquer certaines choses sur les processus gaussiens. Mais d'après la façon dont il l'a expliqué, j'ai compris que E est le même que le μ moyen. Ai-je bien compris? Si c'est la même...