Çevrimiçi Gauss Süreci
Online Gaussian Process Regression and Classification · Ayrıca şöyle bilinir: OGP, sparse online GP, sequential Gaussian process, incremental Gaussian process
Çevrimiçi Gauss Süreci (OGP), Bayesçi nonparametrik GP çerçevesini akışlı veya sıralı olarak gelen verilere genişletir. Her gözlem geldiğinde tam GP sonlu olasılığını sıfırdan yeniden hesaplamak yerine, OGP kompakt bir özet — seyrek bir indükleyici nokta kümesi — tutar ve bunu aşamalı olarak günceller, bu da olasılıksal regresyon ve sınıflandırmayı gerçek zamanlı ve büyük ölçekli ortamlarda uygulanabilir hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler sıralı veya akışlar halinde geliyorsa ve tam bir GP'yi sıfırdan yeniden eğitmek çok yavaşsa; gerçek zamanlı olarak nokta tahminlerinin yanı sıra kalibre edilmiş belirsizlik tahminlerine ihtiyaç duyduğunuzda; veya veri kümesi toplu bir GP için çok büyükse (on binlerce veya daha fazla), ancak yine de Bayesçi belirsizlik istiyorsanız Çevrimiçi GP'yi kullanın. Düzgün, sürekli regresyon görevleri ve probit veya lojistik bir olasılık fonksiyonu ile ikili sınıflandırma için uygundur. Girdi uzayı aşırı derecede yüksek boyutluysa (çekirdek mühendisliği olmadan ~30 özellik ötesi), ilişki sabit bir çekirdeğin yakalayamayacağı şekillerde aşırı derecede durağan değilse veya tam GP garantileri gerekiyorsa — OGP bir yaklaşımdır — bundan kaçının.
Güçlü yönler & sınırlılıklar
- Akış ortamlarında aktif öğrenme ve aykırı değer tespiti sağlayan her adımda kalibre edilmiş tahmin belirsizliği üretir.
- Güncelleme başına hesaplama maliyeti O(n³) yerine O(m²) olduğundan, büyük veya sonsuz akışları izlenebilir hale getirir.
- Çekirdek aracılığıyla açık özellik mühendisliği gerektirmeden doğal olarak doğrusal olmayan ilişkileri ele alır.
- İlkesel Bayesçi temel: seyrek yaklaşım, sezgisel değil, varyasyonel veya izdüşüm argümanlarından türetilmiştir.
- Aktif küme boyutu m, uygulayıcının kontrol ettiği açık bir doğruluk-hız ayarı sağlar.
- Aşamalı olarak çalışır — tam veri geçmişini depolamaya veya yeniden ziyaret etmeye gerek yoktur.
- Çekirdek seçimi ve hiperparametre ayarları (uzunluk ölçeği, gürültü varyansı) performansı önemli ölçüde etkiler ve genellikle çevrimdışı ayarlama veya ayrı çevrimiçi hiperparametre adaptasyonu gerektirir.
- Aktif küme boyutu m önceden ayarlanmalıdır; çok küçük bir bütçe doğruluğu düşürürken, çok büyük bir bütçe hız avantajını aşındırır.
- Durağan çekirdekler, güçlü durağan olmayan veya kavram kayması olan veri akışlarıyla mücadele edebilir.
- Tam GP sonlu olasılığına göre yaklaşım hatası pratikte her zaman sınırlanamaz veya izlenemez.
SSS
OGP, standart (toplu) bir Gauss sürecinden nasıl farklıdır?
Toplu bir GP, tam n×n çekirdek matrisini depolar ve tersini alır, bu da O(n³) zaman ve O(n²) bellek maliyetine yol açar. OGP, tam geçmişi m noktalık seyrek bir aktif küme ile değiştirir ve bunu aşamalı olarak günceller, her güncelleme O(m²) tutar. Bu, OGP'yi yaklaşım hatası pahasına akışlı ve büyük veri kümelerine ölçeklenebilir hale getirir.
Aktif küme boyutu m'yi nasıl seçerim?
Küçük bir bütçeyle (örneğin, m=50–200) başlayın ve tutulan bir akış üzerinde tahmin log-olabilirliğini izleyin. Doğruluk iyileşmeyi durdurana veya gecikme kısıtlamalarına ulaşılana kadar m'yi artırın. Yenilik eşiği de etkili küme büyümesini kontrol eder ve m ile birlikte ayarlanmalıdır.
OGP kavram kaymasını ele alabilir mi?
Sabit bir çekirdeğe sahip standart OGP, durağan bir fonksiyon varsayar, bu nedenle kavram kayması performansı düşürebilir. Eski indükleyici noktaları indirimli hale getiren, durağan olmayan çekirdekler kullanan veya OGP'yi kayan bir pencereyle birleştiren uzantılar kaymayı ele alır, ancak bunlar ek tasarım seçimleri gerektirir.
OGP sınıflandırma için uygun mudur?
Evet, Gauss olasılık fonksiyonunu probit veya lojistik olasılık fonksiyonu ile değiştirerek ve çevrimiçi güncellemeler için beklenti yayılımı veya Laplace yaklaşımı kullanarak. Ek olasılık fonksiyonu yaklaşımı, seyrekleştirmenin ötesinde ikinci bir yaklaşım katmanı ekler.
Hangi yazılım çevrimiçi Gauss süreçlerini uygular?
GPyTorch ve GPflow, sıralı güncellemeler için uyarlanabilen seyrek GP çerçeveleri sağlar. Özel OGP kütüphaneleri (örneğin, MATLAB'daki oGP veya Csató formülasyonuna dayalı özel Python uygulamaları) de akademik depolarda mevcuttur.
Kaynaklar
- Csató, L. & Opper, M. (2002). Sparse on-line Gaussian processes. Neural Computation, 14(3), 641–668. DOI: 10.1162/089976602317250933 ↗
- Engel, Y., Mannor, S. & Meir, R. (2004). The kernel recursive least-squares algorithm. IEEE Transactions on Signal Processing, 52(8), 2275–2285. DOI: 10.1109/TSP.2004.830985 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/tr/machine-learning/online-gaussian-process
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Doğrusal RegresyonuBayesçi↔ karşılaştır
- Stokastik Gradyan İnişi (SGD)Makine öğrenmesi↔ karşılaştır
- Varyasyonel ÇıkarımBayesçi↔ karşılaştır