通过序列蒙特卡罗法的增量结构发现分类
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了在缺乏先验知识的情况下,实时分类模型无法有效学习数据特征的问题。提出了一种新颖的方法,结合高斯过程和序列蒙特卡罗法,自动发现复杂数据的分类模型,并能随时适应新增数据。实验结果表明,该方法较其他分类方法在在线和离线场景下提高了10%的准确率。
该论文介绍了一种新方法,通过贝叶斯非参数先验和高斯过程时间序列模型,以及蒙特卡洛方法和马尔可夫链蒙特卡洛方法的结合进行后验推断。实证测量表明,该方法在相同模型族上可以提供10倍至100倍的运行时间加速。应用于1,428个计量经济学数据集的评估结果显示,该方法能够发现合理的模型,并提供更准确的点预测和区间预测。