Online Student-$t$ Processes with an Overall-local Scale Structure for Modelling Non-stationary Data

要約

時間依存データは、非定常性や裾の重い誤差などの特性を示すことが多く、一般的なモデルで使用される典型的な仮定でモデル化するのは不適切です。
したがって、このような問題に対処するには、より柔軟なアプローチが必要です。
この目的を達成するために、共分散のための全体ローカルスケール構造を備えたスチューデント $t$ プロセスのベイズ混合を提案します。
さらに、リアルタイムでデータが到着するとオンライン推論を実行するために、逐次モンテカルロ (SMC) サンプラーを使用します。
スチューデント $t$ プロセスの混合を使用する必要性を証明するために、実世界のデータセットに対する典型的なガウスプロセスベースのモデルと比較して、提案したアプローチの優位性を実証します。

要約(オリジナル)

Time-dependent data often exhibit characteristics, such as non-stationarity and heavy-tailed errors, that would be inappropriate to model with the typical assumptions used in popular models. Thus, more flexible approaches are required to be able to accommodate such issues. To this end, we propose a Bayesian mixture of student-$t$ processes with an overall-local scale structure for the covariance. Moreover, we use a sequential Monte Carlo (SMC) sampler in order to perform online inference as data arrive in real-time. We demonstrate the superiority of our proposed approach compared to typical Gaussian process-based models on real-world data sets in order to prove the necessity of using mixtures of student-$t$ processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google