Machine learningMachine learning
앙상블 가우시안 프로세스
앙상블 가우시안 프로세스는 데이터 부분집합 또는 겹치는 영역에 대해 여러 독립적인 GP 전문가를 훈련시킨 후, 이들의 사후 예측(평균 및 분산)을 결합하여 단일 확률적 예측을 생성합니다. 이 접근 방식은 표준 GP의 보정된 불확실성 추정치를 유지하면서 O(n³)의 큐빅 비용 병목 현상을 극복하여, 수천에서 수백만 개의 관측치를 가진 데이터셋에 대한 확률적 회귀를 실용적으로 만듭니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Tresp, V. (2000). A Bayesian Committee Machine. Neural Computation, 12(11), 2719–2741. DOI: 10.1162/089976600300014908 ↗
- Deisenroth, M. P., & Ng, J. W. (2015). Distributed Gaussian Processes. Proceedings of the 32nd International Conference on Machine Learning (ICML), PMLR 37, 1481–1490. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Ensemble of Gaussian Processes (Committee / Distributed GP). ScholarGate. https://scholargate.app/ko/machine-learning/ensemble-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.
Compare side by side →