标记为 gaussian process 的帖子
高斯过程：HSGP 高级用法
- 2024年6月28日
希尔伯特空间高斯过程近似是一种低秩 GP 近似，特别适合在概率编程语言（如 PyMC）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。它是一种参数化近似，因此在 PyMC 中进行预测可以像使用线性模型一样通过 pm.Data 或 pm.set_data 完成。您无需定义非参数 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 参考和第一步
- 2024年6月10日
希尔伯特空间高斯过程近似是一种低秩 GP 近似，特别适合在概率编程语言（如 PyMC）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。它是一种参数化近似，因此在 PyMC 中进行预测可以像使用线性模型一样通过 pm.Data 或 pm.set_data 完成。您无需定义非参数 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。
使用 HSGP 对婴儿出生建模
- 2024年1月24日
此笔记本提供了一个使用希尔伯特空间高斯过程 (HSGP) 技术的示例，该技术在 [Solin 和 Särkkä，2020 年] 中介绍，用于时间序列建模。这项技术已被证明可以加速具有高斯过程组件的模型。
边际似然实现
- 2023年6月4日
gp.Marginal 类实现了 GP 回归的更常见情况：观测数据是 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 Hamadard 乘积的 Coregionalization 模型
- 2022年10月24日
此笔记本展示了如何使用 Coregion 内核和输入内核之间的 Hamadard 乘积来实现内在 Coregionalization 模型 (ICM) 和线性 Coregionalization 模型 (LCM)。这篇论文 由 Bonilla等人 [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文献。
学生 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学生 t 分布。用法与 gp.Latent 相同，只是它们在模型中指定时需要自由度参数。有关更多信息，请参阅 Rasmussen+Williams 的第 9 章和 Shah 等人。