本文详述高斯过程在机器学习中的应用，特别是深层高斯过程（DGPs），探讨其优势、局限性及为克服局限性所做的研究。高斯过程在贝叶斯学习中扮演重要角色，但计算和存储成本高、内核限制等问题仍待解决。DGPs 通过堆叠 GP 层试图解决这些问题，但面临模型参数化和解析解的限制。尽管如此，该领域正朝着更一般的随机过程模型发展。
©PaperWeekly 原创 · 作者 | 王馨月
学校 | 四川大学本科生
研究方向 | 自然语言处理
摘要
高斯过程是贝叶斯学习的主要方法之一。尽管该方法已应用于许多问题并取得成功，但它还是有一些基本的局限性。许多文献中的方法已经解决了这些局限，但到目前为止，还没有对这些主题进行的全面综述。大多数现有研究仅关注高斯过程及其衍生的一种特定变体。本篇综述详细介绍了使用高斯过程的核心动机、它们的数学公式、局限性以及多年来为解决上述局限性而蓬勃发展的研究主题。
此外，一个特定的研究领域是在过去十年中得到了显著改进的深层高斯过程 (Deep Gaussian Processes, DGPs)。本篇综述概述了推动该研究领域前沿的重要文献。最后，对未解决的问题和未来工作的研究方向进行了简要讨论。
论文标题：
Deep Gaussian Processes: A Survey
论文作者：
Kalvik Jakkala
论文链接：
https://arxiv.org/abs/2106.12135
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
