詹姆斯·威尔逊（James T.Wilson）、维亚切斯拉夫·博罗维茨基（Viacheslav Borovitskiy）、亚历山大·特列宁（Alexander Terenin）、彼得·莫斯托夫斯基（Peter Mostowsky）、马克·彼得·德伊森罗斯（Marc Pet。
年份：2021年，数量：22，版本：105，页码：1-47
摘要
随着高斯过程被用来回答越来越复杂的问题，解析解变得越来越少。蒙特卡罗方法是一座方便的桥梁，通过采样将难处理的数学表达式与可操作的估计联系起来。用于模拟高斯过程后验的传统方法将样本视为从有限组输入位置的过程值的边际分布中提取的。这种以分布为中心的特征导致了生成性策略，该策略在所需随机向量的大小上按三次方缩放。在理想情况下，如果我们想要绘制高维向量，甚至是连续采样路径，这些方法的成本就高得令人望而却步。在这项工作中，我们研究了一种不同的推理方式：我们不是关注分布，而是在随机变量的水平上阐明高斯条件。我们展示了条件作用的这种路径解释是如何产生一系列近似值的，这些近似值有助于对高斯过程后验函数进行有效采样。从第一性原理出发，我们推导了这些方法并分析了它们引入的近似误差。然后，我们通过探索路径调节在各种应用环境中的实际意义，如全局优化和强化学习，为这些结果奠定了基础。
PDF格式
BibTeX公司
代码