Harmonizable mixture kernels with variational Fourier features

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

The expressive power of Gaussian processes depends heavily on the choice of kernel. In this work we propose the novel harmonizable mixture kernel (HMK), a family of expressive, interpretable, non-stationary kernels derived from mixture models on the generalized spectral representation. As a theoretically sound treatment of non-stationary kernels, HMK supports harmonizable covariances, a wide subset of kernels including all stationary and many non-stationary covariances. We also propose variational Fourier features, an inter-domain sparse GP inference framework that offers a representative set of 'inducing frequencies'. We show that harmonizable mixture kernels interpolate between local patterns, and that variational Fourier features offers a robust kernel learning framework for the new kernel family.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoThe 22nd International Conference on Artificial Intelligence and Statistic
TilaJulkaistu - toukokuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Artificial Intelligence and Statistics - Naha, Japani
Kesto: 16 huhtikuuta 201918 huhtikuuta 2019
Konferenssinumero: 22

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta89
ISSN (elektroninen)2640-3498

Conference

ConferenceInternational Conference on Artificial Intelligence and Statistics
LyhennettäAISTATS
MaaJapani
KaupunkiNaha
Ajanjakso16/04/201918/04/2019

Lataa tilasto

Ei tietoja saatavilla

ID: 36413531