ทำความเข้าใจเกี่ยวกับการถดถอยกระบวนการแบบเกาส์ผ่านมุมมองฟังก์ชั่นพื้นฐานมิติที่ไม่มีที่สิ้นสุด


14

บ่อยครั้งมีการกล่าวกันว่าการถดถอยของกระบวนการเกาส์เซียนสอดคล้องกับการถดถอยเชิงเส้นแบบเบย์ด้วยฟังก์ชั่นพื้นฐานจำนวนไม่ จำกัด ตอนนี้ฉันกำลังพยายามที่จะเข้าใจในรายละเอียดเพื่อให้ได้สัญชาตญาณว่ารุ่นใดที่ฉันสามารถแสดงโดยใช้ GPR

  1. คุณคิดว่านี่เป็นวิธีการที่ดีในการพยายามทำความเข้าใจ GPR หรือไม่?

ในหนังสือGaussian Processes สำหรับการเรียนรู้ของเครื่อง Rasmussen และ Williams แสดงให้เห็นว่าชุดของกระบวนการ gaussian ที่อธิบายโดยเคอร์เนลเลขชี้กำลังเชิงเอ็กซ์โพเรนเชียลพารามิเตอร์สามารถอธิบายได้อย่างเท่าเทียมกันว่าเป็นการถดถอยแบบเบย์ด้วยความเชื่อก่อนหน้านี้wN(0,σ 2 p I)กับน้ำหนักและจำนวนฟังก์ชันพื้นฐานพื้นฐานของรูปแบบ ดังนั้นพารามิเตอร์ของเคอร์เนลสามารถแปลได้อย่างเต็มที่ในการกำหนดพารามิเตอร์ของฟังก์ชันพื้นฐาน

k(x,x;l)=σp2exp((xx)22l2)
wN(0,σp2I)
ϕc(x;l)=exp((xc)22l2)
  1. parameterisation ของเคอร์เนล differentiable สามารถแปลเป็น parameterisation ของฟังก์ชั่นพื้นฐานและพื้นฐานหรือมีเมล็ดที่แตกต่างกันได้หรือไม่เช่นหมายเลขของฟังก์ชั่นพื้นฐานขึ้นอยู่กับการกำหนดค่าหรือไม่

ความเข้าใจของฉันจนถึงตอนนี้สำหรับฟังก์ชันเคอร์เนลคงที่ k (x, x ') ทฤษฎีของ Mercer'sบอกเราว่าสามารถแสดงเป็นk(x,x) โดยที่ ϕ iเป็นฟังก์ชันไม่ว่าจะเป็นจำนวนจริงหรือจำนวนเชิงซ้อน ดังนั้นสำหรับเคอร์เนลที่กำหนดโมเดลการถดถอยแบบเบย์ที่สอดคล้องกันจะมี w Nก่อนหน้า ( 0 , diag)

k(x,x')=Σผม=1λผมφผม(x)φผม(x')
φผมและฟังก์ชั่นพื้นฐานไวฉัน ดังนั้น GP ทุกตัวสามารถกำหนดเป็นรูปแบบการถดถอยเชิงเส้นแบบเบย์ได้ในแนวทแยงก่อน อย่างไรก็ตามถ้าตอนนี้เราใช้ทฤษฎีบทของ Mercers สำหรับทุกการตั้งค่าของเคอร์เนลที่กำหนดพารามิเตอร์ k ( x , x , θ )ที่สามารถสร้างความแตกต่างได้ในทุกๆ θค่าลักษณะเฉพาะและ eigenfunctions อาจแตกต่างกันสำหรับการตั้งค่าทุกอย่างW~ยังไม่มีข้อความ(0,วินิจฉัย([λ12,...]))φผมk(x,x',θ)θ

คำถามต่อไปของฉันเกี่ยวกับทฤษฎีบทผกผันของเมอร์เซอร์

  1. ชุดของฟังก์ชันพื้นฐานใดที่นำไปสู่เมล็ดที่ถูกต้อง

และส่วนต่อขยาย

  1. ชุดของฟังก์ชั่นพื้นฐานแบบแปรพารามิเตอร์ใดที่นำไปสู่

คำตอบ:


1

นี่เป็นข้อสังเกตเล็กน้อย บางทีคนอื่นสามารถกรอกรายละเอียด

1) การเป็นตัวแทนพื้นฐานเป็นความคิดที่ดีเสมอ เป็นการยากที่จะหลีกเลี่ยงพวกเขาหากคุณต้องการทำสิ่งที่คำนวณด้วยฟังก์ชันความแปรปรวนร่วมของคุณ การขยายพื้นฐานสามารถให้คุณประมาณเคอร์เนลและสิ่งที่จะทำงานด้วย ความหวังคือคุณสามารถค้นหาพื้นฐานที่เหมาะสมสำหรับปัญหาที่คุณพยายามแก้ไข

θθ

โดยทั่วไปจำนวนฟังก์ชั่นพื้นฐานจะไม่มีที่สิ้นสุด (นับไม่ได้) ดังนั้นจำนวนจะไม่แปรตามพารามิเตอร์เว้นแต่ว่าค่าบางค่าจะทำให้เคอร์เนลเสื่อมสภาพ

W~ยังไม่มีข้อความ(0,dผมaก.[λ12,...])Wdผมaก.[λ12,...]

λผมλผมx

ถ้าฟังก์ชั่นพื้นฐานไม่ใช่มุมฉากมันก็จะยากขึ้นที่จะแสดงว่าความแปรปรวนร่วมที่นิยามจากพวกมันนั้นเป็นบวกแน่นอน เห็นได้ชัดว่าในกรณีนี้คุณไม่ได้เกี่ยวข้องกับการขยายตัวของไอจีนิน แต่มีวิธีอื่นในการประมาณฟังก์ชั่นที่น่าสนใจ

อย่างไรก็ตามฉันไม่คิดว่าคนทั่วไปจะเริ่มจากฟังก์ชั่นมากมายแล้วลองสร้างเคอร์เนลความแปรปรวนร่วมจากพวกมัน

RE: ความแตกต่างของเคอร์เนลและความแตกต่างของฟังก์ชันพื้นฐาน จริง ๆ แล้วฉันไม่รู้คำตอบของคำถามนี้ แต่ฉันจะให้ข้อสังเกตต่อไปนี้

การวิเคราะห์เชิงหน้าที่ดำเนินการโดยการประมาณฟังก์ชั่น (จากพื้นที่มิติที่ไม่มีที่สิ้นสุด) โดยผลรวมจำนวน จำกัด ของฟังก์ชันที่ง่ายขึ้น เพื่อให้งานนี้ทุกอย่างขึ้นอยู่กับประเภทของการบรรจบที่เกี่ยวข้อง โดยทั่วไปหากคุณกำลังทำงานกับชุดขนาดกะทัดรัดที่มีคุณสมบัติการรวมตัวที่แข็งแกร่ง (การบรรจบกันอย่างสม่ำเสมอหรือการสรุปแบบสัมบูรณ์) ในฟังก์ชั่นที่น่าสนใจคุณจะได้รับผลลัพธ์ที่เป็นธรรมชาติที่คุณกำลังมองหา: คุณสมบัติของฟังก์ชั่นง่าย ๆ ฟังก์ชั่น จำกัด - เช่นถ้าเคอร์เนลเป็นฟังก์ชั่น differentiable ของพารามิเตอร์จากนั้นฟังก์ชั่นการขยายตัวจะต้องเป็นฟังก์ชั่น differentiable ของพารามิเตอร์เดียวกันและในทางกลับกัน ภายใต้คุณสมบัติการบรรจบกันที่อ่อนลงหรือโดเมนที่ไม่ได้กระชับจะไม่เกิดขึ้น จากประสบการณ์ของฉันมีตัวอย่างตอบโต้กับความคิด "สมเหตุสมผล" ที่เกิดขึ้น

หมายเหตุ: เพื่อป้องกันความสับสนที่อาจเกิดขึ้นจากผู้อ่านของคำถามนี้โปรดทราบว่าการขยายตัวของเกาส์เซียนของจุดที่ 1 ไม่ใช่ตัวอย่างของการขยายตัวแบบอิกูนของจุดที่ 2

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.