Preguntas etiquetadas con gaussian-process

Acabo de empezar a leer sobre GP y, de forma análoga a la distribución gaussiana regular, se caracteriza por una función media y la función de covarianza o el núcleo. Estaba en una charla y el orador dijo que la función media suele ser poco interesante y que todo el …

28 gaussian-process 

Estoy un poco confundido. ¿Por qué los procesos gaussianos se llaman modelos no paramétricos? Asumen que los valores funcionales, o un subconjunto de ellos, tienen un gaussiano anterior con media 0 y función de covarianza dada como la función del núcleo. Estas funciones del núcleo tienen algunos parámetros (es decir, …

26 nonparametric  gaussian-process 

¿Es cierto que los métodos bayesianos no se sobreajustan? (Vi algunos documentos y tutoriales haciendo esta afirmación) Por ejemplo, si aplicamos un Proceso Gaussiano a MNIST (clasificación de dígitos escritos a mano), pero solo le mostramos una sola muestra, ¿volverá a la distribución anterior para cualquier entrada diferente de esa …

25 bayesian  nonparametric  gaussian-process  overfitting  misspecification 

He estado leyendo Maraun et al. , "Procesos gaussianos no estacionarios en el dominio wavelet: síntesis, estimación y pruebas significativas" (2007) que define una clase de GP no estacionarias que pueden especificarse mediante multiplicadores en el dominio wavelet. La realización de uno de estos GP es: Donde η ( t …

20 normal-distribution  stochastic-processes  gaussian-process  fourier-transform  wavelet 

La función de covarianza de Matérn se usa comúnmente como función de núcleo en el proceso gaussiano. Se define así Cν(d)=σ221−νΓ(ν)(2ν−−√dρ)νKν(2ν−−√dρ)Cν(d)=σ221−νΓ(ν)(2νdρ)νKν(2νdρ) {\displaystyle C_{\nu }(d)=\sigma ^{2}{\frac {2^{1-\nu }}{\Gamma (\nu )}}{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}^{\nu }K_{\nu }{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}} donde ddd es una función de distancia …

19 spatial  gaussian-process  kernel-trick 

El año pasado, en NIPS 2017, Ali Rahimi y Ben Recht ganaron el premio de la prueba del tiempo por su trabajo "Características aleatorias para máquinas de grano a gran escala", donde introdujeron características aleatorias, que luego se codificaron como el algoritmo de fregaderos de cocina aleatorios. Como parte de …

18 machine-learning  svm  gaussian-process  approximation 

nota: sin respuestas correctas después de un mes, he vuelto a publicar en SO Antecedentes Tengo un modelo, , donde Y = f ( X )FFfY= f( X )Y=F(X)Y=f(\textbf{X}) es unamatriz de muestras n × m de m parámetros e Y es la n × 1XX\textbf{X}n×mn×mn \times mmmmYYYn×1n×1n \times 1 …

17 r  multivariate-analysis  splines  interpolation  gaussian-process 

Estoy aprendiendo sobre el Proceso Gaussiano y solo he escuchado fragmentos. Realmente agradecería comentarios y respuestas. Para cualquier conjunto de datos, ¿es cierto que una aproximación de la función del Proceso Gaussiano daría un error de ajuste cero o insignificante en los puntos de datos? En otro lugar también escuché …

16 gaussian-process 

Estoy leyendo un libro de texto Proceso Gaussiano para Aprendizaje Automático por CE Rasmussen y CKI Williams y tengo algunos problemas para entender qué significa la distribución sobre las funciones . En el libro de texto, se da un ejemplo, que uno debería imaginar una función como un vector muy …

15 distributions  gaussian-process 

A menudo se dice que la regresión del proceso gaussiano corresponde (GPR) a la regresión lineal bayesiana con una (posiblemente) cantidad infinita de funciones básicas. Actualmente estoy tratando de entender esto en detalle para tener una intuición de qué tipo de modelos puedo expresar usando GPR. ¿Crees que este es …

14 gaussian-process  kernel-trick  basis-function 

Sé que la regresión de procesos gaussiana (GPR) es una alternativa al uso de splines para ajustar modelos no lineales flexibles. Me gustaría saber en qué situaciones una sería más adecuada que la otra, especialmente en el marco de regresión bayesiano. Ya he visto ¿Cuáles son las ventajas / desventajas …

14 regression  gaussian-process  splines  kriging 

La divergencia de Kullback-Leibler es una métrica para comparar dos funciones de densidad de probabilidad, pero ¿qué métrica se utiliza para comparar dos GP e ?YXXXYYY

14 gaussian-process  metric 

KKij=k(xi,xj)=b-1exp(-1Iniciar sesión( y | X, θ ) = - 12yTK- 1yy - 12Iniciar sesión( det ( K) ) - n2Iniciar sesión( 2 π)log⁡(y|X,θ)=−12yTKy−1y−12log⁡(det(K))−n2log⁡(2π)\log(\mathbf{y}|X,\mathbf{\theta})=-\frac{1}{2} \mathbf{y}^TK_y^{-1}\mathbf{y}-\frac{1}{2}\log(\det(K))-\frac{n}{2}\log(2\pi)KKKM=lIa,blKyo j= k ( xyo, xj) = b- 1Exp( - 12( xyo- xj)TMETRO( xyo- xj) ) + a- 1δyo jKij=k(xi,xj)=b−1exp⁡(−12(xi−xj)TM(xi−xj))+a−1δijK_{ij}=k(x_i,x_j)=b^{-1}\exp(-\frac{1}{2}(x_i-x_j)^TM(x_i-x_j))+a^{-1}\delta_{ij}METRO= l IM=lIM=lIa , ba,ba,blll La derivada parcial …

13 regression  optimization  gaussian-process  hyperparameter 

¿Hay alguna manera de realizar la regresión de proceso gaussiana en la salida multidimensional (posiblemente correlacionada) usando GPML ? En el script de demostración solo pude encontrar un ejemplo de 1D. Una pregunta similar sobre CV que aborda el caso de entrada multidimensional. Revisé su libro para ver si podía …

13 regression  machine-learning  matlab  gaussian-process  nonparametric-bayes 

Tengo esta confusión relacionada con los beneficios de los procesos gaussianos. Me refiero a compararlo con una regresión lineal simple, donde hemos definido que la función lineal modela los datos. Sin embargo, en los procesos gaussianos, definimos la distribución de las funciones, lo que significa que no definimos específicamente que …

13 gaussian-process