State space Gaussian processes with non-Gaussian likelihood

Hannes Nickisch, Arno Solin, Alexander Grigorevskiy

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

2 Sitaatiot (Scopus)
32 Lataukset (Pure)

Abstrakti

We provide a comprehensive overview and tooling for GP modelling with non-Gaussian likelihoods using state space methods. The state space formulation allows for solving one-dimensonal GP models in O(n) time and memory complexity. While existing literature has focused on the connection between GP regression and state space methods, the computational primitives allowing for inference using general likelihoods in combination with the Laplace approximation (LA), variational Bayes (VB), and assumed density filtering (ADF) / expectation propagation (EP) schemes has been largely overlooked. We present means of combining the efficient O(n) state space methodology with existing inference methods. We also furher extend existing methods, and provide unifying code implementing all approaches.
AlkuperäiskieliEnglanti
Otsikko35th International Conference on Machine Learning, ICML 2018
ToimittajatJennifer Dy, Andreas Krause
Sivut3789-3798
ISBN (elektroninen)9781510867963
TilaJulkaistu - 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaINTERNATIONAL CONFERENCE ON MACHINE LEARNING - Stockholm, Ruotsi
Kesto: 10 heinäkuuta 201815 heinäkuuta 2018
Konferenssinumero: 35

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta80
ISSN (elektroninen)1938-7228

Conference

ConferenceINTERNATIONAL CONFERENCE ON MACHINE LEARNING
LyhennettäICML
MaaRuotsi
KaupunkiStockholm
Ajanjakso10/07/201815/07/2018

Sormenjälki Sukella tutkimusaiheisiin 'State space Gaussian processes with non-Gaussian likelihood'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä