最近,人们越来越关注多变量高斯过程(MGP),它扩展了高斯过程(GP)以处理多个输出。构建MGP并在输出之间考虑非平凡的共同性的一种方法采用卷积过程(CP)。 CP基于在多个卷积中共享潜在功能的想法。尽管CP结构的优雅,但它提供了尚未解决的新挑战。首先,即使具有适度数量的输出,由于计算命令和要估计的参数数量的大量增加,模型构建极其令人望而却步。其次,当某些产出不具有共性时,可能会出现负面的知识转移。在本文中,我们将解决这些问题。我们提出了使用CP建立的MGP的正则化成对建模方法。我们的方法的关键特征是将完整多变量模型的估计分配到一组单独构建的双变量GP中。有趣的是,成对建模具有独特的特征,这使我们能够通过惩罚促进每个双变量模型中信息共享的潜在功能来应对负转移的挑战。然后通过组合贝叶斯框架内的双变量模型的预测来进行预测。当输出数量很大时,所提出的方法具有极好的可扩展性,并且最小化了相关输出之间的知识的负向转移。对所提方法的统计保证进行了研究,并通过数值研究证明了其有利特征。
translated by 谷歌翻译