TL;DR通过研究 Deep Gaussian Processes 对应的非线性动态系统,分析了其学习能力随层数增加而显著降低的问题,提供了紧密的界限和动态系统的收敛速度,并将此发现证明实验结果。
Abstract
Recent advances in deep gaussian processes (DGPs) show the potential to have
more expressive representation than that of traditional Gaussian Processes
(GPs). However, there exists a pathology of deep gaussian processes
该研究提出了一种新的方法,称为 Thin and Deep GP (TDGP),它通过定义原始输入数据的局部线性变换来保持潜在嵌入的概念,并保留核函数的长度尺度的解释性。与先前的方法不同,TDGP 引入的流形可避免路径学习中的特殊病理问题,并且在学习低维表示方面表现出色。在理论和实验结果中证明了 TDGP 在发现输入数据的低维流形、增加层数时的良好性能以及在标准基准数据集上的表现。