Gaussian process classification using posterior linearization

Angel F. Garcia-Fernandez*, Filip Tronarp, Simo Särkkä

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

5 Sitaatiot (Scopus)

Abstrakti

This letter proposes a new algorithm for Gaussian process classification based on posterior linearization (PL). In PL, a Gaussian approximation to the posterior density is obtained iteratively using the best possible linearization of the conditional mean of the labels and accounting for the linearization error. PL has some theoretical advantages over expectation propagation (EP): all calculated covariance matrices are positive definite and there is a local convergence theorem. In experimental data, PL has better performance than EP with the noisy threshold likelihood and the parallel implementation of the algorithms.

AlkuperäiskieliEnglanti
Artikkeli8673324
Sivut735-739
Sivumäärä5
JulkaisuIEEE Signal Processing Letters
Vuosikerta26
Numero5
DOI - pysyväislinkit
TilaJulkaistu - 1 toukok. 2019
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki

Sukella tutkimusaiheisiin 'Gaussian process classification using posterior linearization'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä