Projection predictive model selection for Gaussian processes

Juho Piironen, Aki Vehtari

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

9 Sitaatiot (Scopus)

Abstrakti

We propose a new method for simplification of Gaussian process (GP) models by projecting the information contained in the full encompassing model and selecting a reduced number of variables based on their predictive relevance. Our results on synthetic and real world datasets show that the proposed method improves the assessment of variable relevance compared to the automatic relevance determination (ARD) via the length-scale parameters. We expect the method to be useful for improving explainability of the models, reducing the future measurement costs and reducing the computation time for making new predictions.
AlkuperäiskieliEnglanti
Otsikko2016 IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP)
KustantajaIEEE
ISBN (elektroninen)978-1-5090-0746-2
DOI - pysyväislinkit
TilaJulkaistu - 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
ISSN (painettu)2161-0371
ISSN (elektroninen)2161-0363

Workshop

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

Sormenjälki Sukella tutkimusaiheisiin 'Projection predictive model selection for Gaussian processes'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä