Chained Gaussian Processes

Alan Saul, James Hensman, Aki Vehtari, Neil D. Lawrence

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

102 Lataukset (Pure)

Abstrakti

Gaussian process models are flexible, Bayesian non-parametric approaches to regression. Properties of multivariate Gaussians mean that they can be combined linearly in the manner of additive models and via a link function (like in generalized linear models) to handle non-Gaussian data. However, the link function formalism is restrictive, link functions are always invertible and must convert a parameter of interest to an linear combination of the underlying processes. There are many likelihoods and models where a non-linear combination is more appropriate. We term these more general models “Chained Gaussian Processes”: the transformation of the GPs to the likelihood parameters will not generally be invertible, and that implies that linearisation would only be possible with multiple (localized) links, i.e a chain. We develop an approximate inference procedure for Chained GPs that is scalable and applicable to any factorized likelihood. We demonstrate the approximation on a range of likelihood functions.
AlkuperäiskieliEnglanti
OtsikkoJournal of Machine Learning Research: Workshop and Conference Proceedings
AlaotsikkoAISTATS 2016 Proceedings
KustantajaJMLR W&CP
Sivut1431-1440
Sivumäärä10
Vuosikerta51
TilaJulkaistu - 2016
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Artificial Intelligence and Statistics - Cadiz, Espanja
Kesto: 9 toukokuuta 201611 toukokuuta 2016
Konferenssinumero: 19
http://www.aistats.org/aistats2016/

Julkaisusarja

NimiJournal of Machine Learning Research: Workshop and Conference Proceedings
Vuosikerta51
ISSN (painettu)1938-7228

Conference

ConferenceInternational Conference on Artificial Intelligence and Statistics
LyhennettäAISTATS
MaaEspanja
KaupunkiCadiz
Ajanjakso09/05/201611/05/2016
www-osoite

Sormenjälki Sukella tutkimusaiheisiin 'Chained Gaussian Processes'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä