Non-Stationary Spectral Kernels

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

15 Sitaatiot (Scopus)

Abstrakti

We propose non-stationary spectral kernels for Gaussian process regression. We propose to model the spectral density of a non-stationary kernel function as a mixture of input-dependent Gaussian process frequency density surfaces. We solve the generalised Fourier transform with such a model, and present a family of non-stationary and non-monotonic kernels that can learn input-dependent and potentially long-range, non-monotonic covariances between inputs. We derive efficient inference using model whitening and marginalized posterior, and show with case studies that these kernels are necessary when modelling even rather simple time series, image or geospatial data with non-stationary characteristics.
AlkuperäiskieliEnglanti
OtsikkoAdvances in Neural Information Processing Systems 30
AlaotsikkoProceedings of NIPS2017
KustantajaCurran Associates, Inc.
Sivut4645-4654
TilaJulkaistu - 2017
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaNIPS Symposium on Interpretable Machine Learning - Long Beach, Los Angeles, Yhdysvallat
Kesto: 4 joulukuuta 20179 joulukuuta 2017
Konferenssinumero: 31

Julkaisusarja

NimiAdvances in Neural Information Processing Systems
KustantajaCurran Associates
Vuosikerta30
ISSN (painettu)1049-5258

Conference

ConferenceNIPS Symposium on Interpretable Machine Learning
MaaYhdysvallat
KaupunkiLos Angeles
Ajanjakso04/12/201709/12/2017

Sormenjälki Sukella tutkimusaiheisiin 'Non-Stationary Spectral Kernels'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä