Jakie są dobre strategie przeprowadzania regresji procesu Gaussa, gdy funkcja, którą próbuję aproksymować, zmienia się w czasie? Naiwne podejście, jakie przychodzi mi do głowy, polega na wykorzystaniu tylko N najnowszych punktów danych do przeprowadzenia regresji. Jakie są lepsze strategie?
Możesz wypróbować tę metodę:
Metody predykcyjne wyboru zestawu aktywnego dla procesów Gaussa
Proponujemy aktywne ramy wyboru zestawu dla klasyfikacji procesu Gaussa dla przypadków, gdy zestaw danych jest wystarczająco duży, aby uniemożliwić jego wnioskowanie. Nasz schemat składa się z dwuetapowej naprzemiennej procedury aktualizacji aktywnych zestawów i optymalizacji hiperparametrów w oparciu o maksymalizację marginalnego prawdopodobieństwa. Reguły aktualizacji aktywnego zestawu opierają się na zdolności predykcyjnych rozkładów klasyfikatora procesu Gaussa do oszacowania względnego wkładu punktu danych, gdy jest on dołączany lub usuwany z modelu.
Jeśli potrzebujesz algorytmu ustalonego budżetu, zobacz na przykład:
M. Lázaro-Gredilla, S. Van Vaerenbergh i I. Santamaría, „Bayesowskie podejście do śledzenia za pomocą rekurencyjnych metod najmniejszych kwadratów”, Międzynarodowe warsztaty IEEE na temat uczenia maszynowego w przetwarzaniu sygnałów (MLSP 2011), Pekin, Chiny, wrzesień 2011 .