A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Large-Scale Gaussian Process Regression Based on Random Fourier Features and Local Approximation with Tsallis Entropy Regressão de processo gaussiano em grande escala baseada em características aleatórias de Fourier e aproximação local com entropia de Tsallis

Hongli ZHANG, Jinglei LIU

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Com o surgimento de uma grande quantidade de dados na ciência e na indústria, é urgente melhorar a precisão da previsão e reduzir a alta complexidade da regressão do processo gaussiano (GPR). No entanto, a aproximação global tradicional e a aproximação local têm deficiências correspondentes, tais como a aproximação global tende a ignorar as características locais, e a aproximação local tem o problema de sobreajuste. Para resolver esses problemas, é proposto um algoritmo de regressão de processo gaussiano em larga escala (RFFLT) combinando características aleatórias de Fourier (RFF) e aproximação local. 1) Para acelerar o tempo de treinamento, usamos os dados de entrada aleatórios do mapa de recursos de Fourier mapeados para o espaço de recursos aleatórios de baixa dimensão para processamento. A principal inovação do algoritmo é projetar recursos usando métodos de processamento linear rápido existentes, de modo que o produto interno dos dados transformados seja aproximadamente igual ao produto interno no espaço de recursos do kernel invariante de deslocamento especificado pelo usuário. 2) A máquina de comitê bayesiano robusta generalizada (GRBCM) baseada no método de informação mútua de Tsallis é usada na aproximação local, o que aumenta a flexibilidade do modelo e gera uma representação esparsa da distribuição de peso dos especialistas em comparação com trabalhos anteriores. O algoritmo RFFLT foi testado em seis conjuntos de dados reais, o que reduziu bastante o tempo de previsão da regressão e melhorou a precisão da previsão.

Publicação
IEICE TRANSACTIONS on Information Vol.E106-D No.10 pp.1747-1751
Data de publicação
2023/10/01
Publicitada
2023/07/11
ISSN online
1745-1361
DOI
10.1587/transinf.2023EDL8016
Tipo de Manuscrito
LETTER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Hongli ZHANG
  Yantai University
Jinglei LIU
  Yantai University

Palavra-chave