Learning Gaussian Process Kernels via Hierarchical Bayes
Learning Gaussian Process Kernels via Hierarchical Bayes
复制标题
DOI：
--
复制
发表时间：
2004-12
期刊：
影响因子：
--
通讯作者：
A. Schwaighofer;Volker Tresp;Kai Yu
中科院分区：
文献类型：
--
作者：
A. Schwaighofer;Volker Tresp;Kai Yu
我们提出了一种新的方法，学习高斯过程回归的分层贝叶斯框架。在第一步骤中，使用简单且有效的EM算法从数据学习固定输入点集合上的核矩阵。这个步骤是非参数的，因为它不需要协方差函数的参数形式。在第二步中，使用广义Nystrom方法拟合核函数以近似学习的协方差矩阵，这导致复杂的数据驱动核。我们评估我们的方法作为艺术图像的推荐引擎，其中提出的分层贝叶斯方法导致出色的预测性能。
We present a novel method for learning with Gaussian process regression in a hierarchical Bayesian framework. In a first step, kernel matrices on a fixed set of input points are learned from data using a simple and efficient EM algorithm. This step is nonparametric, in that it does not require a parametric form of covariance function. In a second step, kernel functions are fitted to approximate the learned covariance matrix using a generalized Nystrom method, which results in a complex, data driven kernel. We evaluate our approach as a recommendation engine for art images, where the proposed hierarchical Bayesian method leads to excellent prediction performance.