ICLRJan, 2024
高斯 Cox 过程模型在时空数据中的贝叶斯优化
Bayesian Optimization through Gaussian Cox Process Models for Spatio-temporal Data
Yongsheng Mei, Mahdi Imani, Tian Lan
TL;DR本文提出了一种新颖的基于高斯 Cox 过程的最大后验推断方法，通过引入 Laplace 近似和核函数转换技术，使得推断问题在新的再生核希尔伯特空间中更易于计算，从而在功能后验和后验的协方差方面得到了扩展。在此基础上，我们提出了一个基于高斯 Cox 过程模型的贝叶斯优化框架，并进一步开发了一种 Nyström 近似方法以进行高效计算。在各种合成和实际数据集上的广泛评估表明，与现有的高斯 Cox 过程推断解决方案相比，本方法取得了显著的改进，同时还能有效地进行基于高斯 Cox 过程模型设计的各种收集函数的贝叶斯优化。