A Mutually-Dependent Hadamard Kernel for Modelling Latent Variable Couplings

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

We introduce a novel kernel that models input-dependent couplings across multiple latent processes. The pairwise joint kernel measures covariance along inputs and across different latent signals in a mutually-dependent fashion. A latent correlation Gaussian process (LCGP) model combines these non-stationary latent components into multiple outputs by an input-dependent mixing matrix. Probit classification and support for multiple observation sets are derived by Variational Bayesian inference. Results on several datasets indicate that the LCGP model can recover the correlations between latent signals while simultaneously achieving state-of-the-art performance. We highlight the latent covariances with an EEG classification dataset where latent brain processes and their couplings simultaneously emerge from the model.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoProceedings of the 9th Asian Conference on Machine Learning
ToimittajatMin-Ling Zhang, Yung-Kyun Noh
TilaJulkaistu - marraskuuta 2017
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaAsian Conference on Machine Learning - Yonsei University, Seoul, Korea, Seoul, Etelä-Korea
Kesto: 15 marraskuuta 201717 marraskuuta 2017
Konferenssinumero: 9
http://www.acml-conf.org/2017/

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta77
ISSN (elektroninen)1938-7228

Conference

ConferenceAsian Conference on Machine Learning
LyhennettäACML
MaaEtelä-Korea
KaupunkiSeoul
Ajanjakso15/11/201717/11/2017
www-osoite

ID: 14181676