আপনি দুটি গাউসিয়ান প্রক্রিয়া কীভাবে তুলনা করবেন?


14

কুলব্যাক-লেবলার ডাইভারজেন্স দুটি সম্ভাব্য ঘনত্বের ক্রিয়াগুলির সাথে তুলনা করার জন্য একটি মেট্রিক, তবে দুটি জিপির এবং তুলনা করতে কোন মেট্রিক ব্যবহার করা হয় ?ওয়াইXY


d(X,Y)=E[supt|X(t)Y(t)|]

@ জেন: আপনার যদি সময় থাকে তবে আমি এই দূরত্বের মেট্রিক সম্পর্কে আরও জানতে আগ্রহী।
নিল জি

হাই, নীল আমি এটি সম্পর্কে খুব বেশি জানি না। দয়া করে, আমার উত্তর নম্র দেখুন।
জেন

উত্তর:


8

মন্তব্য গসিয়ান বিতরণের প্রক্রিয়া সম্ভবত অসীম জন্য বহুচলকীয় গসিয়ান এর এক্সটেনশান । সুতরাং, আপনি over এর সাথে সংহত করে জিপি সম্ভাব্যতা বিতরণের মধ্যে কেএল ডাইভার্জেন্স ব্যবহার করতে পারেন :এক্স আর এক্সXRXRX

ডিকেএল(পি|প্রশ্নঃ)=আরএক্সলগপিপ্রশ্নঃপি

আপনি জিপি ডিস্ট্রিবিউশন অনুযায়ী বারবার স্যাম্পলিং প্রক্রিয়া চালিয়ে একটি বিচ্ছিন্ন over এর মাধ্যমে এই পরিমাণটিকে আনুমানিক অঙ্কের জন্য এমসি পদ্ধতি ব্যবহার করতে পারেন । কনভার্জেন্সের গতি যথেষ্ট ভাল কিনা তা আমি জানি না ...এক্স

মন্তব্য করুন যে যদি সাথে সীমাবদ্ধ হয় , তবে আপনি মাল্টিভারিয়েট সাধারণ বিতরণগুলির জন্য সাধারণ কেএল ফিরে যান: | এক্স | = n ডি কে এল ( জি পি ( μ 1 , কে 1 ) , জি পি ( μ 2 , কে 2 ) ) = 1এক্স|এক্স|=এন

DKL(GP(μ1,K1),GP(μ2,K2))=12(tr(K21K1)+(μ2μ1)K21(μ2μ1)n+log|K2||K1|)

আপনি উল্লিখিত দুটি উপায় (মি 1 এবং মি 2) কীভাবে গণনা করতে পারি। বা গাউস প্রক্রিয়াটির জন্য আমার কি তাদের যথারীতি শূন্যের সমান নেওয়া উচিত?
মারাত জাকিরভ

4

মনে রাখবেন যে যদি গড় ফাংশন সঙ্গে একটি গসিয়ান প্রক্রিয়া মি এবং সহভেদাংক ফাংশন কে , তারপর, যে জন্য টি 1 , ... , T টি , র্যান্ডম ভেক্টর ( এক্স ( T 1 ) , ... , এক্স ( টি কে ) ) এর গড় ভেক্টর ( মি ( টি 1 ) , , এম সহ মাল্টিভারিয়েট স্বাভাবিক বিতরণ রয়েছেX:T×ΩRmKt1,,tkT(X(t1),,X(tk)) এবং কোভেরিয়েন্স ম্যাট্রিক্স Σ = ( σ আমি জে ) = ( কে ( টি আই , টি জে ) ) , যেখানে আমরা সাধারণ সংক্ষেপণ এক্স ( টি ) = এক্স ( টি ,(m(t1),,m(tk))Σ=(σij)=(K(ti,tj))X(t)=X(t,)

প্রতিটি উপলব্ধি একটি আসল ফাংশন যার ডোমেন সূচক সেট টি । ধরুন যে টি = [ 0 , 1 ] । দুটি গাউসিয়ান প্রসেস এক্স এবং ওয়াই দেওয়া হয়েছে , দুটি বাস্তবায়ন এক্স এর মধ্যে একটি সাধারণ দূরত্ব (X(,ω)TT=[0,1]XY এবং Y (X(,ω) হয় চুমুক দিয়া পান টন [ 0 , 1 ] | এক্স ( টি , ω ) - ওয়াই ( টি , ω ) | । সুতরাং, এক্স এবং ওয়াই দুটি প্রসেসের মধ্যবর্তী দূরত্বটিকে ডি ( এক্স , ওয়াই ) = হিসাবে নির্ধারণ করা স্বাভাবিক বলে মনে হয়Y(,ω)অভিজ্ঞতার স্বাস পাত্তয়াটি[0,1]|এক্স(টি,ω)-ওয়াই(টি,ω)|এক্সওয়াই এই দূরত্বের জন্য বিশ্লেষণাত্মক অভিব্যক্তি আছে কিনা তা আমি জানি না, তবে আমি বিশ্বাস করি যে আপনি মন্টি কার্লো অনুমান হিসাবে নিম্নলিখিত হিসাবে গণনা করতে পারেন। কিছু জরিমানা গ্রিড ত্রুটিমুক্ত 0 টি 1 < < T 1 , এবং নমুনা আঁকা ( x আমি 1 , ... , x এর আমি ) এবং ( Y আমি 1 , ... , Y আমি k ) স্বাভাবিক র্যান্ডম ভেক্টর থেকে ( এক্স ( টি 1 )

(এক্স,ওয়াই)=[অভিজ্ঞতার স্বাস পাত্তয়াটি[0,1]|এক্স(টি)-ওয়াই(টি)|](*)
0টি1<<টি1(এক্সআমি1,...,এক্সআমি)(Yআমি1,...,Yআমি) এবং ( ওয়াই ( টি 1 ) , , ওয়াই ( টি কে ) ) যথাক্রমে i = 1 , , এন এর জন্য । আনুমানিক d ( এক্স , ওয়াই ) দ্বারা 1(X(t1),,X(tk))(Y(t1),,Y(tk))i=1,,Nd(X,Y)
1Ni=1Nmax1jk|xijyij|.

আপনি প্রতিটি ভেক্টর থেকে নমুনা কিভাবে? আপনি যদি প্রতিটি জিপি-র জন্য কেবলমাত্র নমুনা করেন তবে আপনি বৈকল্পগুলি বিবেচনা করবেন না। অন্যথায় আপনাকে সামঞ্জস্যপূর্ণ একটি নমুনা কৌশল তৈরি করতে হবে।
পুস্কর

এটি একটি দুর্দান্ত সম্পদ: gaussprocess.org/gpml/chapters
জেন

আপনি এই প্রশ্নের সমস্ত উত্তরও পড়তে পারেন: stats.stackexchange.com/questions/30652/…
জেন

d(X,X)0d(G1,G2)=EXG1,YG2[supt|X(t)Y(t)|]EXG,YGsupt|X(t)Y(t)|>0G

d(X,X)0()
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.