Heterogeneous Multi-Task Gaussian Cox Processes

要約

この論文は、マルチ出力ガウス プロセス (MOGP) を介して、分類と回帰など、複数の異種相関タスクを共同でモデル化するためのマルチタスク ガウス コックス プロセスの新しい拡張を示します。
分類、回帰、および点処理タスクの専用尤度のパラメータに優先する MOGP は、ノンパラメトリックなパラメータ推定を可能にしながら、異種タスク間での情報の共有を容易にすることができます。
MOGP 変調異種マルチタスク フレームワークにおける非共役ベイズ推論を回避するために、データ拡張手法を採用し、平均場近似を導出して、モデル パラメーターを推定するための閉形式の反復更新を実現します。
バンクーバーの 1D 合成データと 2D 都市データの両方でパフォーマンスと推論を実証します。

要約(オリジナル)

This paper presents a novel extension of multi-task Gaussian Cox processes for modeling multiple heterogeneous correlated tasks jointly, e.g., classification and regression, via multi-output Gaussian processes (MOGP). A MOGP prior over the parameters of the dedicated likelihoods for classification, regression and point process tasks can facilitate sharing of information between heterogeneous tasks, while allowing for nonparametric parameter estimation. To circumvent the non-conjugate Bayesian inference in the MOGP modulated heterogeneous multi-task framework, we employ the data augmentation technique and derive a mean-field approximation to realize closed-form iterative updates for estimating model parameters. We demonstrate the performance and inference on both 1D synthetic data as well as 2D urban data of Vancouver.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google