Parallelizable sparse inverse formulation Gaussian processes (SpInGP)

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

3 Sitaatiot (Scopus)

Abstrakti

We propose a parallelizable sparse inverse formulation Gaussian process (SpInGP) for temporal models. It uses a sparse precision GP formulation and sparse matrix routines to speed up the computations. Due to the state-space formulation used in the algorithm, the time complexity of the basic SpInGP is linear, and because all the computations are parallelizable, the parallel form of the algorithm is sublinear in the number of data points. We provide example algorithms to implement the sparse matrix routines and experimentally test the method using both simulated and real data.
AlkuperäiskieliEnglanti
Otsikko2017 IEEE International Workshop on Machine Learning for Signal Processing, MLSP 2017 - Proceedings
KustantajaIEEE
Sivumäärä7
ISBN (painettu)978-1-5090-6341-3
DOI - pysyväislinkit
TilaJulkaistu - 2017
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Workshop on Machine Learning for Signal Processing - Tokyo, Japani
Kesto: 25 syyskuuta 201728 syyskuuta 2017
Konferenssinumero: 27
http://mlsp2017.conwiz.dk/home.htm

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
MaaJapani
KaupunkiTokyo
Ajanjakso25/09/201728/09/2017
www-osoite

Siteeraa tätä