Gibt es eine Möglichkeit, eine Gaußsche Prozessregression für mehrdimensionale Ausgaben (möglicherweise korreliert) mithilfe von GPML durchzuführen ?
Im Demo-Skript konnte ich nur ein 1D-Beispiel finden.
Eine ähnliche Frage zum Lebenslauf, die sich mit mehrdimensionalen Eingaben befasst.
Ich ging ihr Buch durch, um zu sehen, ob ich etwas finden konnte. Im 9. Kapitel dieses Buches (Abschnitt 9.1) haben sie diesen Fall mehrerer Ausgaben erwähnt. Sie haben ein paar Möglichkeiten erwähnt, um damit umzugehen: Eins - unter Verwendung eines korrelierten Rauschprozesses und Zwei - Cokriging (Korrelierter Prior).
Ich weiß immer noch nicht, wie ich diese Ideen in das GPML-Framework integrieren kann.
Gibt es auch andere GP-Bibliotheken / Frameworks, die eine mehrdimensionale Ausgabe unterstützen?
Antworten:
Ich glaube, dass Twin Gaussian Processes genau das ist, wonach Sie suchen. Ich kann das Modell nicht besser beschreiben als die Zusammenfassung des Papiers selbst, also werde ich es einfach kopieren und einfügen:
Die Autoren haben großzügig Code- und Beispieldatensätze für den Einstieg bereitgestellt.
quelle
Kurze Antwort Die Regression für mehrdimensionale Ausgaben ist etwas schwierig und nach meinem derzeitigen Kenntnisstand nicht direkt in der GPML-Toolbox enthalten.
Lange Antwort Sie können Ihr mehrdimensionales Ausgabe-Regressionsproblem in drei verschiedene Teile aufteilen.
Ich hoffe, es hilft :)
quelle
Dies ist ein Modul von scikit-learn, das für mich überraschend gut funktioniert hat:
http://scikit-learn.org/stable/auto_examples/gaussian_process/plot_gp_regression.html
quelle
Ich suchte nach Gaußschen Prozessen mit mehreren Ausgängen und fand viele Möglichkeiten, damit umzugehen, wie Faltungsmethode, Modellierungsmethode mit gemischten Effekten und die neuesten Twin Gaußschen Prozesse (TGP).
Ich habe Zweifel am Konzept der Twin Gaussian Processes (TGP). Kann mir jemand dabei helfen?
In TGP ermitteln die Autoren die vorhergesagte Ausgabe (y^ ) Minimieren der KL-Divergenz zwischen Eingang und Ausgang umgekehrt. Aber im Allgemeinen suchen wir nach der prädiktiven Verteilung der Ausgabe, dhp ( y∗| y )∼ ( μ, σ2) . Eine Sache, die hier zu beachten ist, dass die prädiktive Varianz dhσ2 , y spielt keine Rolle darin. Im Fall von TGP ist die vorhergesagte Ausgabey^ ist der gleiche wie der Mittelwert der prädiktiven Verteilung von y ?
quelle