通过相关性追求实现鲁棒高斯过程
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了传统高斯过程（GP）模型在存在非高斯噪声的真实应用中面临的鲁棒性问题。提出了一种新颖的GP模型，通过推断特定数据点的噪声水平并最大化对数边际似然来实现鲁棒性。这项工作的重要发现表明，该模型的对数边际似然具有强凹性，从而为选择机制提供了近似保证，并在多种回归和贝叶斯优化任务中表现良好。
本文提出了SigGPDE，一种新的稀疏变分推理框架，专门用于处理序列数据上的高斯过程。该框架通过诱导变量实现稀疏近似，避免了矩阵求逆，并证明了GP签名核的梯度是双曲型偏微分方程的解，从而优化了ELBO。SigGPDE在大规模数据集上显著提高了计算效率和分类性能。
