Non-linearities in Gaussian processes with integral observations

Tutkimustuotos: Artikkeli kirjassa/raportissa/konferenssijulkaisussaKonferenssiartikkeliTieteellinenvertaisarvioitu

Abstrakti

Gaussian processes (GP) can be used for inferring latent continuous functions also based on aggregate observations corresponding to integrals of the function, for example to learn daily rate of new infections in a population based on cumulative observations collected only weekly. We extend these approaches to cases where the observations correspond to aggregates of arbitrary non-linear transformations of a GP. Such models are needed, for example, when the latent function of interest is known to be non-negative or bounded. We present a solution based on Markov chain Monte Carlo with numerical integration for aggregation, and demonstrate it in binned Poisson regression and in non-invasive detection of fouling using ultrasound waves.
Alkuperäiskielienglanti
Otsikko 2020 IEEE 30th International Workshop on Machine Learning for Signal Processing (MLSP)
Sivumäärä6
KustantajaIEEE Computer Society
Julkaisupäivä2020
ISBN (painettu)978-1-7281-6663-6
ISBN (elektroninen)978-1-7281-6662-9
DOI - pysyväislinkit
TilaJulkaistu - 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Workshop on Machine Learning for Signal Processing - Espoo, Suomi
Kesto: 21 syyskuuta 202024 syyskuuta 2020
Konferenssinumero: 30

Tieteenalat

  • 113 Tietojenkäsittely- ja informaatiotieteet

Siteeraa tätä