Hilbert-Space Reduced-Rank Methods for Deep Gaussian Processes

Muhammad F. Emzir, Sari Lasanen, Zenith Purisha, Simo Särkkä

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

2 Sitaatiot (Scopus)

Abstrakti

A deep Gaussian process is a hierarchy of Gaussian processes where the process at each level is Gaussian given the process on the next level. In this paper, we recast special deep Gaussian processes as solutions of stochastic partial differential equations (SPDEs). Each of these SPDEs has parameters which are functions of the solutions to other SPDEs. To avoid solving SPDEs explicitly, we transform the SPDEs to finite-dimensional objects by truncating the underlying Hilbert space expansion. We then use a Markov chain Monte Carlo technique designed for function spaces to sample its posterior distribution. For a one-dimensional signal example, we show that the regression can offer discontinuity detection and smoothness constraints, which are competing with each other.

AlkuperäiskieliEnglanti
OtsikkoProceedings of the 29th IEEE International Workshop on Machine Learning for Signal Processing, MLSP 2019
ISBN (elektroninen)9781728108247
DOI - pysyväislinkit
TilaJulkaistu - 1 lokakuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Workshop on Machine Learning for Signal Processing - Pittsburgh, Yhdysvallat
Kesto: 13 lokakuuta 201916 lokakuuta 2019
Konferenssinumero: 29

Julkaisusarja

NimiIEEE International Workshop on Machine Learning for Signal Processing
KustantajaIEEE
ISSN (painettu)2161-0363
ISSN (elektroninen)2161-0371

Workshop

WorkshopIEEE International Workshop on Machine Learning for Signal Processing
LyhennettäMLSP
Maa/AlueYhdysvallat
KaupunkiPittsburgh
Ajanjakso13/10/201916/10/2019

Sormenjälki

Sukella tutkimusaiheisiin 'Hilbert-Space Reduced-Rank Methods for Deep Gaussian Processes'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä