Learning spectrograms with convolutional spectral kernels

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

4 Lataukset (Pure)

Abstrakti

We introduce the convolutional spectral kernel (CSK), a novel family of non-stationary, nonparametric covariance kernels for Gaussian process (GP) models, derived from the convolution between two imaginary radial basis functions. We present a principled framework to interpret CSK, as well as other deep probabilistic models, using approximated Fourier transform, yielding a concise representation of input-frequency spectrogram. Observing through the lens of the spectrogram, we provide insight on the interpretability of deep models. We then infer the functional hyperparameters using scalable variational and MCMC methods. On small- and medium-sized spatiotemporal datasets, we demonstrate improved generalization of GP models when equipped with CSK, and their capability to extract non-stationary periodic patterns.
AlkuperäiskieliEnglanti
OtsikkoThe 23rd International Conference on Artificial Intelligence and Statistics
ToimittajatS Chiappa, R Calandra
Sivut3826-3836
Sivumäärä10
TilaJulkaistu - 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Artificial Intelligence and Statistics - Palermo, Italia
Kesto: 3 kesäkuuta 20205 kesäkuuta 2020
Konferenssinumero: 23

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta108
ISSN (painettu)2640-3498

Conference

ConferenceInternational Conference on Artificial Intelligence and Statistics
LyhennettäAISTATS
MaaItalia
KaupunkiPalermo
Ajanjakso03/06/202005/06/2020

Sormenjälki Sukella tutkimusaiheisiin 'Learning spectrograms with convolutional spectral kernels'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä