Processus Gaussien Robuste
Le Processus Gaussien Robuste (Robust GP) étend le cadre standard des Processus Gaussiens en remplaçant la vraisemblance du bruit Gaussien par une distribution à queues lourdes — typiquement la loi de Student-t — de sorte que les valeurs aberrantes dans les données d'entraînement exercent moins d'influence sur la fonction apprise. Il conserve le caractère probabiliste complet et quantificateur d'incertitude d'un GP standard tout en devenant beaucoup moins sensible aux observations corrompues ou anormales.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Jylanki, P., Vanhatalo, J., & Vehtari, A. (2011). Robust Gaussian Process Regression with a Student-t Likelihood. Journal of Machine Learning Research, 12, 3227–3257. link ↗
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
Comment citer cette page
ScholarGate. (2026, June 3). Robust Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/fr/machine-learning/robust-gaussian-process
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Processus Gaussien BayésienApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Régression linéaire robusteApprentissage automatique↔ compare
- Forêt Aléatoire RobusteApprentissage automatique↔ compare
- Machine à vecteurs de support robusteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →