On the use of gradient information in Gaussian process quadratures

Jakub Pruher, Simo Särkkä

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

4 Sitaatiot (Scopus)

Abstrakti

Gaussian process quadrature is a promising alternative Bayesian approach to numerical integration, which offers attractive advantages over its well-known classical counterparts. We show how Gaussian process quadrature can naturally incorporate gradient information about the integrand. These results are applied for the design of transformation of means and covariances of Gaussian random variables. We theoretically analyze connections between our proposed moment transform and the linearization transform based on Taylor series. Numerical experiments on common sensor network nonlinearities show that adding gradient information improves the resulting estimates.

AlkuperäiskieliEnglanti
OtsikkoProceedings of the 26th IEEE International Workshop on Machine Learning for Signal Processing, MLSP 2016
ToimittajatFrancesco A.N. Palmieri, Aurelio Uncini, Kostas Diamantaras, Jan Larsen
Vuosikerta2016-November
ISBN (elektroninen)9781509007462
DOI - pysyväislinkit
TilaJulkaistu - 8 marraskuuta 2016
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Workshop on Machine Learning for Signal Processing - Salerno, Italia
Kesto: 13 syyskuuta 201616 syyskuuta 2016
Konferenssinumero: 26
http://mlsp2016.conwiz.dk/home.htm

Julkaisusarja

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

Workshop

WorkshopIEEE International Workshop on Machine Learning for Signal Processing
LyhennettäMLSP
MaaItalia
KaupunkiSalerno
Ajanjakso13/09/201616/09/2016
www-osoite

Sormenjälki Sukella tutkimusaiheisiin 'On the use of gradient information in Gaussian process quadratures'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä