文件名称：tsgp:树型高斯过程近似
文件大小：2.64MB
文件格式：ZIP
更新时间：2024-06-02 22:03:50
MATLAB
树型高斯过程近似 作者：Thang Bui和Richard Turner，剑桥大学计算与生物学习实验室 出现在NIPS 2014上 摘要：通过构建一个小的伪数据集来汇总观察到的数据，可以加快高斯过程的回归。 这个想法是许多近似方案的核心，但是如果要保持近似的精度，这种方法需要根据输入空间的范围来缩放伪数据点的数量。 这在时间序列设置中或在需要大量伪数据点的空间数据集中会出现问题，因为计算通常会按伪数据集大小进行二次缩放。 在本文中，我们设计了一种近似方法，其复杂度随着伪数据点的数量线性增加。 这是通过在伪数据点上强加树或链结构并使用Kullback-Leibler（KL）最小化来校准近似值来实现的。 然后可以使用高斯信念传播算法有效地进行推理和学习。 我们证明了我们的方法在一系列具有挑战性的回归任务上的有效性，这些任务包括音频和空间数据集的缺失数据插补。 我们跟踪了新方法的速度精度折衷，并
【文件预览】：
tsgp-master
----vfeGP()
--------boundedline.m(10KB)
--------checkgrad.m(2KB)
--------vfePredict.m(553B)
--------vfeObjFunc.m(3KB)
--------vfeTrain.m(476B)
--------startup.m(43B)
--------testVFE_1d.m(2KB)
----exps()
--------runExpSubband.m(17KB)
--------runExpSECosTwoBands.m(14KB)
--------runExpLengthscale.m(2KB)
--------audio_subband.mat(2.59MB)
--------run_toy.m(2KB)
--------runExpTIMIT.m(2KB)
----LICENSE(1KB)
----main()
--------trainSSM_SE.m(722B)
--------evalSSGPSE.m(643B)
--------predictSECosMix.m(2KB)
--------trainSECosFITC.m(366B)
--------evalSSMSE.m(465B)
--------getParamsSE.m(2KB)
--------objFunctionSE.m(768B)
--------getParamsSECosMixLocal.m(4KB)
--------kalmanVar.m(7KB)
--------getParamsSECosMix.m(6KB)
--------objFunctionSECosMix.m(2KB)
--------kalmanVarLocal.m(5KB)
--------predictSEFITC.m(277B)
--------trainSELocal.m(601B)
--------predictSECosMixLocal.m(2KB)
--------getParamsSELocal.m(2KB)
--------smsError.m(254B)
--------predictSE.m(1KB)
--------predictSECosFITC.m(280B)
--------covSEardMod.m(3KB)
--------mslLoss.m(432B)
--------trainSECosMix.m(467B)
--------predictSSM_SE.m(431B)
--------initSECosParams.m(1KB)
--------getParamsSE2SSM.m(6KB)
--------trainSECosMixLocal.m(477B)
--------predictSELocal.m(1KB)
--------evalVarSE.m(575B)
--------objFunctionSELocal.m(769B)
--------trainSEFITC.m(363B)
--------objFunctionSECosMixLocal.m(2KB)
--------trainSE.m(593B)
----.gitignore(269B)
----README.md(2KB)
----util()
--------minimize_new.m(12KB)