比尔·恩格斯发布的文章
高斯过程：HSGP 高级用法
- 2024年6月28日
Hilbert 空间高斯过程近似是一种低秩 GP 近似，特别适合在像 PyMC 这样的概率编程语言中使用。它使用一组预先计算和固定的基函数来近似 GP，这些基函数不依赖于协方差核的形式或其超参数。它是一种参数近似，因此 PyMC 中的预测可以像使用线性模型一样通过 pm.Data 或 pm.set_data 完成。您不需要定义非参数 GP 依赖的 .conditional 分布。这使得将 HSGP 而不是 GP 集成到您现有的 PyMC 模型中容易得多。此外，与许多其他 GP 近似不同，HSGP 可以用于模型中的任何位置以及任何似然函数。
高斯过程：HSGP 参考 & 第一步
- 2024年6月10日
Hilbert 空间高斯过程近似是一种低秩 GP 近似，特别适合在像 PyMC 这样的概率编程语言中使用。它使用一组预先计算和固定的基函数来近似 GP，这些基函数不依赖于协方差核的形式或其超参数。它是一种参数近似，因此 PyMC 中的预测可以像使用线性模型一样通过 pm.Data 或 pm.set_data 完成。您不需要定义非参数 GP 依赖的 .conditional 分布。这使得将 HSGP 而不是 GP 集成到您现有的 PyMC 模型中容易得多。此外，与许多其他 GP 近似不同，HSGP 可以用于模型中的任何位置以及任何似然函数。
边缘似然实现
- 2023年6月4日
gp.Marginal 类实现了 GP 回归的更常见情况：观察到的数据是 GP 和高斯噪声的总和。gp.Marginal 具有 marginal_likelihood 方法、conditional 方法和 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，
多输出高斯过程：使用哈达玛积的共区域化模型
- 2022年10月24日
本笔记本展示了如何使用 Coregion 核和输入核之间的哈达玛积来实现内在共区域化模型 (ICM) 和线性共区域化模型 (LCM)。这篇论文 by Bonilla et al. [2007] 讨论了多输出高斯过程。有关 ICM 和 LCM 的更多信息，请查看 Mauricio Alvarez 关于多输出高斯过程的 演讲，以及 他的幻灯片，最后一页有更多参考资料。
Student-t 过程
- 2017年8月24日
PyMC 还包括 T 过程先验。它们是将高斯过程先验推广到多元 Student’s T 分布。用法与 gp.Latent 相同，只是当在模型中指定它们时，它们需要自由度参数。有关更多信息，请参见 Rasmussen+Williams 的第 9 章和 Shah et al.。