马齐亚·莱斯;赫萨姆·巴贝;乔治·埃姆·卡尼亚达基斯 大数据的参数高斯过程回归。 （英语） Zbl 1471.62272号 计算。机械。 64，第2号，409-416（2019）. 小结：这项工作引入了参数高斯过程（PGP），建立在看似自我约束的高斯过程概念之上参数化的生成的框架能够将大量数据编码为少量“假设”数据点。此外，参数高斯过程很清楚它们的缺陷，并且能够适当量化与此类限制相关的预测中的不确定性。通过三个示例证明了该方法的有效性，其中一个示例使用了模拟数据，一个基准使用了航空业中约600万条记录的数据集，以及马萨诸塞州、科德角湾和斯特尔瓦根银行2015年的时空海表温度图。 引用于1文件 MSC公司： 10层62层 点估计 62J05型 线性回归；混合模型 62兰特 大数据和数据科学的统计方面 60G15年 高斯过程 68T05型 人工智能中的学习和自适应系统 62页第12页 统计在环境和相关主题中的应用 关键词：高斯过程回归;大数据;概率机器学习;海表温度时空分布图 软件：MLlib（MLlib）;阿帕奇火花;亚当;PMTK公司;MapReduce PDF格式BibTeX公司 XML格式引用 \textit{M.Raissi}等人，计算。机械。64，第2号，409--416（2019；Zbl 1471.62272） 全文： 内政部 arXiv公司 参考文献： [1] Adam V，Hensman J，Sahani M（2016）通过非共轭高斯过程推断进行可缩放变换加法信号分解。2016年IEEE第26届信号处理机器学习国际研讨会（MLSP），第1-6页。电气与电子工程师协会 [2] Aronszajn N（1950）再生核理论。泛美数学Soc 68（3）：337-404·Zbl 0037.20701号 [3] Berlinet A，Thomas-Agnan C（2011）《概率统计中的核希尔伯特空间再现》。柏林施普林格·Zbl 1145.6202号 [4] CsatóL，Opper M（2002）《稀疏在线高斯过程》。神经计算14（3）：641-668·Zbl 0987.62060号 [5] Daley R（1992）大气数据分析。剑桥大学出版社 [6] Dash P、Ignatov A、Martin M、Donlon C等人（2012）高分辨率海面温度（ghrsst）分析领域组间比较第2部分：基于网络的近实时4级海温质量监测仪（l4-squam）。深海研究第二部分顶部螺柱Oceanogr 77-80:31-43。https://doi.org/10.1016/j.dsr2.2012.04.002 ·doi:10.1016/j.dsr2.2012.04.002 [7] Dean J，Ghemawat S（2008）Mapreduce:大型集群上的简化数据处理。通信ACM 51（1）：107-113 [8] Deisenroth MP，Ng JW（2015）分布式高斯过程。摘自：Bach FR，Blei DM（eds.）《第32届机器学习国际会议论文集》，ICML 2015，法国里尔，2015年7月6日至11日，JMLR研讨会和会议论文集，第37卷，第1481-1490页。JMLR.org。http://jmlr.org/proceedings/papers/v37/deisenroth15.html [9] Gal Y，van der Wilk M，Rasmussen CE（2014）稀疏高斯过程回归和潜在变量模型中的分布式变分推断。收录：Ghahramani Z、Welling M、Cortes C、Lawrence ND、Weinberger KQ（eds）《神经信息处理系统进展》，第27卷。Curran Associates，Inc.，第3257-3265页。http://papers.nips.cc/papers/5593-分布式变量推理-解析-俄罗斯-过程-进展和延迟-变量模型.pdf [10] Hensman J，Durrande N，Solin A（2016）高斯过程的变分傅里叶特征。arXiv预打印arXiv:1611.06740·Zbl 1467.62152号 [11] Hensman J、Fusi N、Lawrence ND（2013）《大数据的高斯过程》。arXiv预打印arXiv:1309.6835 [12] Hensman J，Rattray M，Lawrence ND（2012）共轭指数族中的快速变分推理。收录：Pereira F、Burges CJC、Bottou L、Weinberger KQ（编辑）《神经信息处理系统进展》，第25卷。Curran Associates，Inc.，第2888-2896页。http://papers.nips.cc/paper/4766-fast-variational-inference-in-the-conjugate-exponential-family.pdf [13] Hoffman MD、Blei DM、Wang C、Paisley JW（2013）《随机变分推断》。J Mach学习研究14（1）：1303-1347·Zbl 1317.68163号 [14] Kingma D，Ba J（2014）Adam：一种随机优化方法。arXiv预打印arXiv:1412.6980 [15] Meng X、Bradley J、Yavuz B、Sparks E、Venkataraman S、Liu D、Freeman J、Tsai D、Amde M、Owen S等人（2016）Mllib:《apache spark中的机器学习》。机械学习研究杂志17（34）：1-7·Zbl 1360.68697号 [16] Murphy KP（2012）《机器学习：概率观点》。麻省理工学院出版社，剑桥·Zbl 1295.68003号 [17] Neal RM（2012），神经网络贝叶斯学习，第118卷。柏林施普林格·Zbl 0888.62021号 [18] Oke PR，Sakov P（2008），数据同化海洋观测的表示误差。大气海洋技术杂志25（6）：1004-1017。https://doi.org/10.1175/2007JTECHO558.1 ·doi:10.1175/2007JTECHO558.1 [19] Pang G，Yang L，Karniadakis GE（2018）函数逼近和PDE解的神经网络诱导高斯过程回归。arXiv:1806.11187年·Zbl 1451.68242号 [20] Pershing AJ、Alexander MA、Hernandez CM、Kerr LA等人（2015），面对快速变暖，适应缓慢导致缅因湾鳕鱼渔业崩溃。科学350（6262）：809 [21] Poggio T，Girosi F（1990）近似和学习网络。程序IEEE 78（9）：1481-1497·兹比尔1226.92005 [22] Quiñonero-Candela J，Rasmussen CE（2005）稀疏近似高斯过程回归的统一观点。J Mach Learn Res 6（12月）：1939-1959·Zbl 1222.68282号 [23] Rasmussen CE（2006）机器学习的高斯过程。麻省理工学院出版社，剑桥·Zbl 1177.68165号 [24] Saitoh S（1988）《再生核理论及其应用》，第189卷。伦敦朗曼·兹比尔0652.30003 [25] Samo YLK，Roberts SJ（2016）弦和膜高斯过程。J Mach学习研究17（131）：1-87·Zbl 1392.62076号 [26] Schölkopf B，Smola AJ（2002）《内核学习：支持向量机、正则化、优化及其他》。麻省理工学院出版社，剑桥 [27] Seeger M，Williams C，Lawrence N（2003）《加速稀疏高斯过程回归的快速向前选择》。In:人工智能与统计9，EPFL-CONF-161318 [28] Snelson E，Ghahramani Z（2007）局部和全局稀疏高斯过程近似。美国国家统计局11:524-531 [29] Tikhonov A（1963）错误公式化问题的解决和正则化方法。Sov数学博士5:1035-1038·Zbl 0141.11001号 [30] Tikhonov AN，Arsenin VY（1977），《病态问题的解决方案》。W.H.Winston，银泉·Zbl 0354.65028号 [31] Tipping ME（2001）稀疏贝叶斯学习和相关向量机。J Mach学习研究1:211-244·Zbl 0997.68109号 [32] Titsias MK（2009）稀疏高斯过程中诱导变量的变分学习。AISTATS（美国国家统计局）5:567-574 [33] Urtasun R，Darrell T（2008）活动无关人体姿势推断的稀疏概率回归。收录：IEEE计算机视觉和模式识别会议，CVPR 2008。第1-8页。电气与电子工程师协会 [34] Vapnik V（2013）统计学习理论的本质。柏林施普林格·Zbl 0833.62008号 [35] Werdell PJ、Franz BA、Bailey SW、Feldman GC等人（2013）检索海洋固有光学特性的广义海洋颜色反演模型。申请选择52（10）：2019-2037。https://doi.org/10.1364/AO.52.002019 ·doi:10.1364/AO.52.002019 [36] Zaharia M、Chowdhury M、Das T、Dave A、Ma J、McCauley M、Franklin MJ、Shenker S、Stoica I（2012）《弹性分布式数据集：内存集群计算的容错抽象》。摘自：第九届USENIX网络系统设计与实现会议记录，第2-2页。USENIX协会 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。