তুমি জিজ্ঞেস করেছিলে:
এক্ষেত্রে যেখানে 10 মিলিয়ন ডলারের গৌসিস প্রক্রিয়া রিগ্রেশন এখনও কাজ করে?
একটি বৃহত ম্যাট্রিক্স নির্মাণ এবং উল্টানোর মানক অর্থে নয়। আপনার দুটি বিকল্প রয়েছে: 1) একটি ভিন্ন মডেল চয়ন করুন বা 2) একটি আনুমানিক তৈরি করুন।
1) কিছু জিপি-ভিত্তিক মডেলগুলি খুব বড় ডেটা সেটগুলিতে স্কেল করা যায়, যেমন উপরের উত্তরে লিঙ্কযুক্ত বায়েশিয়ান কমিটি মেশিন। আমি এই পদ্ধতির চেয়ে বরং সন্তোষজনক বলে মনে করি: জিপি মডেল বাছাই করার পক্ষে যুক্তিসঙ্গত কারণ রয়েছে এবং যদি আমরা আরও বেশি গণনীয় মডেলটিতে চলে যেতে পারি তবে আমরা মূল মডেলের বৈশিষ্ট্য ধরে রাখতে পারি না। বিসিএমের ভবিষ্যদ্বাণীমূলক রূপগুলি উদাহরণস্বরূপ, ডেটা বিভক্তির উপর দৃ strongly়ভাবে নির্ভর করে।
2) জিপিগুলিতে আনুমানিকভাবে 'ক্লাসিকাল' পদ্ধতির কাছে কার্নেল ম্যাট্রিক্স আনুমানিক। এই ধরণের পদ্ধতিগুলির এখানে একটি ভাল পর্যালোচনা রয়েছে: http://www.jMLr.org/papers/volume6/quinonero-candela05a/quinonero-candela05a.pdf । প্রকৃতপক্ষে, আমরা সাধারণত এই ম্যাট্রিক্স অনুমানকে মডেল আনুমানিক হিসাবে দেখতে পারি এবং বায়েশিয়ান কমিটি মেশিনের সাথে এগুলি মিশ্রিত করতে পারি: তারা মডেলটিতে পরিবর্তন এসেছে এবং এই পরিবর্তনগুলি কখন প্যাথলজিকাল হতে পারে তা বোঝা শক্ত। এখানে একটি দুর্দান্ত পর্যালোচনা: https://papers.nips.cc/paper/6477- বোঝার-probabilistic-sparse-ga Persian-process-approximations.pdf
বৃহত জিপি-র জন্য প্রায় অনুমানের পক্ষে আমি যেভাবে পরামর্শ দিচ্ছি তা হ'ল কার্নেল ম্যাট্রিক্স বা মডেলটিকে ঘনিষ্ঠভাবে এড়ানো এবং ভেরিয়েশনাল ইনফারেন্স ব্যবহার করে উত্তরোত্তর বিতরণকে আনুমানিক এড়ানো to অনেকগুলি গণনা 'নিম্ন র্যাঙ্কের' ম্যাট্রিক্সের সান্নিধ্যের মতো দেখায়, তবে একটি খুব পছন্দসই সম্পত্তি রয়েছে: আপনি যত বেশি গণনা ব্যবহার করেন (আরও "র্যাঙ্কস") কাছাকাছি আসল কাছাকাছি হয়, যেমন কেএল দ্বারা পরিমাপ করা হয় বিকিরণ।
এই নিবন্ধগুলি একটি ভাল সূচনা পয়েন্ট: http://proceedings.MLr.press/v5/titsias09a/titsias09a.pdf
https://arxiv.org/pdf/1309.6835
আমি এখানে একই যুক্তিতে একটি দীর্ঘ নিবন্ধ লিখেছি: https://www.prowler.io/blog/sparse-gps-approtimate-the-posterior-not-the-model
অনুশীলনে, পরিবর্তনীয় আনুমানিকতা অনেক ক্ষেত্রে সত্যই ভাল কাজ করে। আমি এটি বাস্তব অ্যাপ্লিকেশনগুলিতে ব্যাপকভাবে ব্যবহার করেছি। এবং সম্প্রতি এটি কেন কাজ করা উচিত তা ব্যাক আপ করার জন্য কিছু দুর্দান্ত তত্ত্ব রয়েছে ( https://arxiv.org/abs/1903.03571 )।
একটি চূড়ান্ত প্লাগ: জিপিগুলিতে ভেরিয়েন্টাল ইনফারেন্সনটি জিপিফ্লোতে প্রয়োগ করা হয় ( https://github.com/GP ফ্লো / জিপিফ্লো )