高斯过程分类的嵌套期望传播与多项式概率似然
摘要：概率多项式概率分类的高斯过程先验考虑。 多类GP分类的挑战是在非高斯后验分布上的积分和随着目标类数的增加而增加的未知潜在变量数量。 期望传播（EP）已被证明是一种非常准确的近似推理方法，但是多项式probit GP分类的现有EP方法依赖于数值积分或不同类别之间潜在值的独立性假设以便于计算。 在本文中，我们提出了一种新的嵌套EP方法，它不需要数值积分，并准确地近似所有潜在值之间的类别间后验依赖关系，但仍然与类别数成线性比例。 嵌套EP方法的预测准确性与Laplace、变分贝叶斯和马尔可夫链蒙特卡洛（MCMC）近似在各种基准数据集上进行了比较。 在实验中，与MCMC采样相比，嵌套EP是最一致的方法，但只考虑分类准确性时，所比较的方法之间的差异很小。
作者：Jaakko Riihim"aki, Pasi Jyl"anki and Aki Vehtari
论文ID：1207.3649
分类：Machine Learning
分类简称：stat.ML
提交时间：2013-03-28