Was sind gute Strategien für die Durchführung einer Gaußschen Prozessregression, wenn sich die Funktion, die ich zu approximieren versuche, im Laufe der Zeit ändert? Der naive Ansatz, der mir in den Sinn kommt, besteht darin, nur die N neuesten Datenpunkte zu verwenden, um die Regression durchzuführen. Was sind bessere Strategien?
Sie können diese Methode ausprobieren:
Vorausschauende Methoden zur Auswahl aktiver Mengen für Gaußsche Prozesse
Wir schlagen ein aktives Set-Auswahl-Framework für die Gaußsche Prozessklassifizierung für Fälle vor, in denen der Datensatz groß genug ist, um seine Inferenz unzulässig zu machen. Unser Schema besteht aus einem zweistufigen Wechselverfahren aus aktiven Satzaktualisierungsregeln und einer Hyperparameteroptimierung basierend auf der Maximierung der Grenzwahrscheinlichkeit. Die aktiven Satzaktualisierungsregeln beruhen auf der Fähigkeit der Vorhersageverteilungen eines Gaußschen Prozessklassifikators, den relativen Beitrag eines Datenpunkts zu schätzen, wenn er entweder in das Modell aufgenommen oder aus diesem entfernt wird.
Wenn Sie einen Algorithmus mit festem Budget wünschen, siehe z.
M. Lázaro-Gredilla, S. Van Vaerenbergh und I. Santamaría, "Ein Bayes'scher Ansatz zur Verfolgung mit rekursiven kleinsten Quadraten des Kerns", Internationaler IEEE-Workshop über maschinelles Lernen für die Signalverarbeitung (MLSP 2011), Peking, China, September 2011 .