稀疏卷积多输出高斯过程
摘要：多输出方法引起了越来越多的关注。这部分是受到多任务学习、多传感器网络或结构化输出数据等框架的影响。从高斯过程的角度来看，该问题可以归结为指定一个适当的协方差函数，该函数在保持半正定性的同时捕捉到所有数据点和所有输出之间的依赖关系。处理输出之间的非平凡相关性的一种方法是使用卷积过程。在卷积转换的潜在函数解释下，我们建立了输出变量之间的依赖关系。这种方法的主要缺点是相关的计算和存储需求。在本文中，我们解决了这些问题。我们通过卷积形式主张了构建依赖输出高斯过程的不同稀疏逼近方法。我们利用模型中自然存在的条件独立性。这导致了一种协方差形式，类似于单输出的PITC和FITC逼近形式。我们展示了合成数据和真实数据的实验结果，特别是在污染预测、学校考试成绩预测和基因表达数据方面的结果。
作者：Mauricio A. ''Alvarez and Neil D. Lawrence
论文ID：0911.5107
分类：Machine Learning
分类简称：stat.ML
提交时间：2009-11-30