Chcę wdrożyć przyrostową regresję procesu gaussowskiego za pomocą przesuwanego okna nad punktami danych, które docierają jeden po drugim przez strumień.
Pozwolić oznacz wymiarowość przestrzeni wejściowej. Więc każdy punkt danych ma liczba elementów.
Pozwolić być wielkości przesuwanego okna.
Aby dokonać prognoz, muszę obliczyć odwrotność macierzy gramowej , gdzie a k to kwadratowe jądro wykładnicze.
Aby uniknąć powiększania się K z każdym nowym punktem danych, pomyślałem, że mogę usunąć najstarszy punkt danych przed dodaniem nowych punktów i w ten sposób zapobiegnę wzrostowi gramów. Na przykład let gdzie jest kowariancją wag i jest niejawną funkcją odwzorowania sugerowaną przez kwadratowe jądro wykładnicze.
Teraz pozwól ] i gdzie są przez macierze kolumnowe.
Potrzebuję skutecznego sposobu na znalezienie potencjalnie używając . Nie wygląda to na odwrotność zaktualizowanego problemu macierzy 1, który można skutecznie rozwiązać formułą Shermana-Morrisona.
źródło
Stopniowe szacowanie modeli GP jest dobrze badane w literaturze. Podstawową ideą jest warunkowanie wszystkich nowych obserwacji, które chcesz przewidzieć, uwarunkowanie na jeden krok do przodu i robienie tego wielokrotnie. To staje się jakoś bliskie filtrowaniu Kalmana.
źródło