Variable selection for Gaussian processes via sensitivity analysis of the posterior predictive distribution

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

Variable selection for Gaussian process models is often done using automatic relevance determination, which uses the inverse lengthscale parameter of each input variable as a proxy for variable relevance. This implicitly determined relevance has several drawbacks that prevent the selection of optimal input
variables in terms of predictive performance. To improve on this, we propose two novel variable selection methods for Gaussian process models that utilize the predictions of a full model in the vicinity of the training points and thereby rank the variables based on their predictive relevance. Our empirical results
on synthetic and real world data sets demonstrate improved variable selection compared to automatic relevance determination in terms of variability and predictive performance.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoProceedings of the 22nd International Conference on Artificial Intelligence and Statistics
TilaJulkaistu - 16 huhtikuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Artificial Intelligence and Statistics - Naha, Japani
Kesto: 16 huhtikuuta 201918 huhtikuuta 2019
Konferenssinumero: 22

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta89
ISSN (painettu)1938-7228

Conference

ConferenceInternational Conference on Artificial Intelligence and Statistics
LyhennettäAISTATS
MaaJapani
KaupunkiNaha
Ajanjakso16/04/201918/04/2019

Lataa tilasto

Ei tietoja saatavilla

ID: 29224560