Quali sono le buone strategie per eseguire la regressione del processo gaussiano quando la funzione che sto cercando di approssimare cambia nel tempo? L'approccio ingenuo che mi viene in mente è di usare solo i punti N più recenti per eseguire la regressione. Quali sono le strategie migliori?
Risposte:
Puoi provare questo metodo:
Metodi predittivi di selezione di set attivi per processi gaussiani
Proponiamo un quadro di selezione di insiemi attivi per la classificazione dei processi gaussiana per i casi in cui l'insieme di dati è abbastanza grande da rendere proibitiva la sua inferenza. Il nostro schema consiste in una procedura alternata in due fasi di regole di aggiornamento del set attivo e ottimizzazione dell'iperparametro basata sulla massimizzazione della probabilità marginale. Le regole di aggiornamento del set attivo si basano sulla capacità delle distribuzioni predittive di un classificatore di processo gaussiano di stimare il contributo relativo di un punto dati quando viene incluso o rimosso dal modello.
Se desideri un algoritmo di budget fisso, vedi ad es.
M. Lázaro-Gredilla, S. Van Vaerenbergh e I. Santamaría, "Un approccio bayesiano al monitoraggio con i minimi quadrati ricorsivi del kernel", Workshop internazionale IEEE sull'apprendimento automatico per l'elaborazione dei segnali (MLSP 2011), Pechino, Cina, settembre 2011 .