We introduce the implicit processes (IPs), a stochastic process that places
implicitly defined multivariate distributions over any finite collections of
random variables. IPs are therefore highly flexible implici
我们提出了椭圆过程，这是一类非参数概率模型，它包含了高斯过程和学生 t 过程。通过连续高斯混合分布的表示，椭圆过程具有一系列新的重尾行为，同时保持计算可行性。使用样条标准化流的参数化混合分布来训练变分推断，并提出了适用于大规模问题的稀疏变分椭圆过程。通过回归和分类实验，我们强调了与高斯过程相比的优势。在非高斯似然函数或精确的尾部建模至关重要的情况下，椭圆过程可以取代高斯过程。