高斯过程自回归回归模型（GPAR）
摘要：高斯过程自回归回归（Gaussian Process Autoregressive Regression，GPAR）模型的多输出回归模型必须利用输出之间的依赖关系来最大化预测性能。将高斯过程（GPs）应用于这种情况通常会产生计算复杂且表示能力有限的模型。我们提出了一种可扩展的多输出高斯过程模型，即Gaussian Process Autoregressive Regression（GPAR）模型，它能够以简单且可处理的方式捕捉非线性的、可能因输入而变化的输出之间的依赖关系：使用乘法规则将输出的联合分布分解为一组条件分布，每个条件分布都由一个标准的高斯过程模型建模。通过在各种合成和现实世界问题上展示GPAR的有效性，我们发现GPAR模型优于现有的高斯过程模型，并在已建立的基准测试中实现了最先进的性能。
作者：James Requeima and Will Tebbutt and Wessel Bruinsma and Richard E. Turner
论文ID：1802.07182
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-02-27