×

兹马思-数学第一资源

用于分类的斜高斯过程。(英语) Zbl 07289242
摘要:高斯过程(GPs)是函数上的分布,它为回归和分类提供了一种贝叶斯非参数方法。尽管取得了成功,GPs在某些应用中的应用有限,例如,在某些情况下,相对于其平均值的对称分布是不合理的模型。这意味着,例如,平均值和中值重合,而不对称(倾斜)分布中的平均值和中值可能是不同的数字。在这篇文章中,我们提出斜高斯过程(SkewGPs)作为一个非参数先验函数。SkewGP扩展了多元变量统一斜法线随机过程有限维向量上的分布。SkewGP分布类包括GPs,因此SkewGPs继承了GPs的所有优良特性,并通过允许概率模型中的不对称性来增加它们的灵活性。利用SkewGP和probit似然是共轭模型的事实,推导了这种新的非参数分类器的边缘似然和预测分布的闭式表达式。通过实验验证了所提出的SkewGP分类器的性能优于基于Laplace方法或基于期望传播的GP分类器。
理学硕士:
68T05型 人工智能中的学习与自适应系统
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] 阿雷利亚诺,RB;Azzalini,A.,关于偏斜正态分布族的统一,斯堪的纳维亚统计杂志,33,3561-574(2006)·Zbl 1117.62051
[2] Azzalini,A.,《偏态正常和相关家庭》(2013),剑桥:剑桥大学出版社,剑桥
[3] 阿兹蒙提,D。;Ginsbourger,D.,高维高斯向量的正态概率估计及其在集合估计中的应用,计算与图形统计杂志,27,2255-267(2018)
[4] Bauer,M.,van der Wilk,M.和Rasmussen,C.E.(2016年)。了解概率稀疏高斯过程近似。神经信息处理系统进展(1533-1541页)。
[5] Benavoli,A.,Mangili,F.,Corani,G.,Zaffalon,M.和Ruggeri,F.(2014年)。基于Dirichlet过程的Bayesian-Wilcoxon符号秩检验。第30届机器学习国际会议论文集(ICML 2014)(第1-9页)。
[6] 贝纳沃利,A。;科拉尼,G。;德姆萨,J。;Zaffalon,M.,《变革的时间:通过贝叶斯分析比较多个分类器的教程》,机器学习研究杂志,18,77,1-36(2017)·兹布1440.62237
[7] Botev,ZI,线性约束下的正态律:基于极大极小倾斜的模拟和估计,英国皇家统计学会期刊:B系列(统计方法),79,1125-148(2017)·Zbl 1414.62102
[8] 《高斯过程学习》,第18期,多元机器学习杂志,第1748期·Zbl 1432.68381
[9] Durante,D.,《通过统一偏斜正态分布进行概率回归的共轭贝叶斯》,Biometrika,106,4765-779(2019年)·Zbl 1435.62107
[10] Fang,KW,对称多元及相关分布(2018),博卡拉顿:查普曼和霍尔/CRC,博卡拉顿
[11] 龙胆,MG;基耶斯,德国;Turkiyyah,G.,高维多元正态概率计算的层次分解,计算与图形统计杂志,27,2,268-277(2018)
[12] Genz,A.,多元正态概率的数值计算,计算与图形统计杂志,1,2,141-149(1992)
[13] 根茨,A。;Bretz,F.,多元正态和t概率的计算(2009),柏林:斯普林格,柏林·Zbl 1204.62088
[14] Gessner,A.,Kanjilal,O.和Hennig,P.(2019),线性域约束下高斯积分。arXiv预印本arXiv:1910.09328。
[15] GPy(自2012年起)GPy:python中的高斯过程框架。http://sheffieldy网站
[16] Hernández Lobato,D.,Hernández Lobato,J.M.,和杜邦,P.(2011年)。鲁棒多类高斯过程分类。神经信息处理系统的进展(pp 280-288)。
[17] 库斯,M。;Rasmussen,CE,评估二进制高斯过程分类的近似推理,机器学习研究杂志,61679-1704(2005)·Zbl 1190.62119
[18] Murray,I.,Adams,R.和MacKay,D.(2010年)。椭圆切片取样。在:Teh YW,Titterington M(eds)《第十三届国际人工智能与统计会议论文集》,PMLR,Chia Laguna Resort,Sardinia,Italy,machine learning research论文集(第9卷,第541-548页)。
[19] 尼克什,H。;Rasmussen,CE,二进制高斯过程分类的近似,机器学习研究杂志,92035-2078(2008)·Zbl 1225.62087
[20] O'Hagan,A.,Bayes-Hermite求积,统计规划与推断杂志,29,3,245-260(1991)·Zbl 0829.65024
[21] 奥哈根,A。;Leonard,T.,受参数约束不确定性影响的Bayes估计,Biometrika,63,1201-203(1976)·Zbl 0326.62025
[22] 奥尔森,RS;拉卡瓦,W。;奥泽乔夫斯基,P。;乌尔巴诺维奇,RJ;Moore,JH,PMLB:机器学习评估和比较的大型基准套件,生物数据挖掘,10,1,36(2017)
[23] Orbanz,P.(2009年)。从参数Bayes方程构造非参数贝叶斯模型。神经信息处理系统的进展(1392-1400页)。
[24] 菲尼基托斯,我。;Gandy,A.,高维多元正态概率的快速计算,计算统计与数据分析,55,4,1521-1529(2011)·Zbl 1328.65039
[25] 魁尼奥内罗坎德拉,J。;Rasmussen,CE,稀疏近似高斯过程回归的统一观点,机器学习研究杂志,6939-1959(2005)·Zbl 1222.68282号
[26] 拉斯穆森,CE;Williams,CK,Gaussian processes for machine learning(2006),马萨诸塞州剑桥市:麻省理工学院出版社,剑桥,马萨诸塞州
[27] Snelson,E.和Ghahramani,Z.(2006年)。使用伪输入的稀疏高斯过程。在:神经信息处理系统的进展(第1257-1264页)。
[28] 斯派尔,JC,随机优化的同步摄动算法的实现,IEEE航空航天与电子系统学报,34,3817-823(1998)
[29] Titsias,M.(2009年)。稀疏高斯过程诱导变量的变分学习。在:van Dyk D,Welling M(编辑)《第二十届国际人工智能与统计会议论文集》,PMLR,希尔顿清水海滩度假村,佛罗里达州清水海滩,美国,机器学习研究论文集(第5卷,第567-574页)。
[30] Williams,CK,计算与无限神经网络,神经计算,10,5,1203-1216(1998)
[31] 威廉姆斯,康涅狄格州;巴伯,D.,高斯过程的贝叶斯分类,模式分析和机器智能IEEE汇刊,20,12,1342-1351(1998)
[32] 张,Z。;吴,G。;Chang,EY,使用Student(t)过程的半参数回归,神经网络IEEE汇刊,18,61572-1588(2007)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。