BriefGPT - AI 论文速递
·
最大熵分布的高斯过程回归
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种无需完全核矩阵的矩阵分解方法，用于计算高斯过程回归模型的对数边际似然的下界。该方法通过最大化下界来近似学习模型参数的最大似然方法，保留了稀疏变分方法的优点，并减少了参数学习中的偏差。实验结果表明，该模型在相同训练时间内具有更好的预测性能。
🎯
关键要点
- 提出了一种无需完全核矩阵的矩阵分解方法。
- 该方法用于计算高斯过程回归模型的对数边际似然的下界。
- 通过最大化下界来学习模型参数的近似最大似然方法。
- 保留了稀疏变分方法的优点，减少了参数学习中的偏差。
- 通过对对数边际似然中的对数行列式项进行分析，导出紧凑下界。
- 结合下界最大化方法和共轭梯度的迭代方法训练高斯过程。
- 实验结果显示模型在相同训练时间内具有更好的预测性能。
➡️
