Mixture representation of the matérn class with applications in state space approximations and Bayesian quadrature

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

In this paper, the connection between the Matérn kernel and scale mixtures of squared exponential kernels is explored. It is shown that the Matérn kernel can be approximated by a finite scale mixture of squared exponential kernels through a quadrature approximation which in turn allows for (i) state space approximations of the Matérn kernel for arbitrary smoothness parameters using established state space approximations of the squared exponential kernel and (ii) exact calculation of the Bayesian quadrature weights for the approximate kernel under a Gaussian measure. The method is demonstrated in inference in a log-Gaussian Cox process as well as in approximating a Gaussian integral arising from a financial problem using Bayesian quadrature.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoProceedings of the 2018 IEEE International Workshop on Machine Learning for Signal Processing, MLSP 2018
ToimittajatNelly Pustelnik, Zheng-Hua Tan, Zhanyu Ma, Jan Larsen
TilaJulkaistu - 31 lokakuuta 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Workshop on Machine Learning for Signal Processing - Aalborg, Tanska
Kesto: 17 syyskuuta 201820 syyskuuta 2018
Konferenssinumero: 28

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
MaaTanska
KaupunkiAalborg
Ajanjakso17/09/201820/09/2018

Lataa tilasto

Ei tietoja saatavilla

ID: 30375803