Divergensi Kullback-Leibler adalah metrik untuk membandingkan dua fungsi kepadatan probabilitas, tetapi metrik apa yang digunakan untuk membandingkan dua GP dan ?Y
gaussian-process
metric
pushkar
sumber
sumber
Jawaban:
Mengomentari bahwa distribusi proses GaussianX→R adalah perpanjangan Gaussian multivarian untuk mungkin tak terbatas X . Dengan demikian, Anda dapat menggunakan perbedaan KL antara distribusi probabilitas GP dengan mengintegrasikan lebih dari RX :
Anda dapat menggunakan metode MC untuk memperkirakan secara numerik jumlah ini melalui didiskritisasiX dengan proses pengambilan sampel berulang kali sesuai dengan distribusi GP mereka. Saya tidak tahu apakah kecepatan konvergensi cukup baik ...
Perhatikan bahwa jikaX terbatas dengan |X|=n , maka Anda kembali ke divergensi KL biasa untuk distribusi normal multivariat:
sumber
Ingat bahwa jika adalah Proses Gaussian dengan fungsi rata-rata m dan fungsi kovarian K , maka, untuk setiap t 1 , … , t k ∈ T , vektor acak ( X ( t 1 ) , … , X ( t k ) ) memiliki distribusi normal multivariat dengan vektor rata-rata ( m ( t 1 ) , … , mX: T× Ω → R m K t1, ... , tk∈ T ( X( t1) , ... , X( tk) ) dan matriks kovarian Σ = ( σ i j ) = ( K ( t i , t j ) ) , di mana kami telah menggunakan singkatan umum X ( t ) = X ( t ,( m ( t1) , ... , m ( tk) ) Σ = ( σsaya j) = ( K( tsaya, tj) ) .X( t ) = X( t ,⋅)
Setiap realisasi adalah fungsi nyata yang domain adalah indeks set T . Misalkan T = [ 0 , 1 ] . Diberikan dua Proses Gaussian X dan Y , satu jarak yang sama antara dua realisasi X (X(⋅, ω ) T T= [ 0 , 1 ] X Y dan Y (X(⋅, ω ) adalah sup t ∈ [ 0 , 1 ] | X ( t , ω ) - Y ( t , ω ) | . Oleh karena itu, tampaknya wajar untuk mendefinisikan jarak antara dua proses X dan Y sebagai
d ( X , Y ) = EY(⋅, ω ) supt ∈ [ 0 , 1 ]| X( t , ω ) - Y( t , ω ) | X Y
Saya tidak tahu apakah ada ekspresi analitik untuk jarak ini, tapi saya yakin Anda dapat menghitung perkiraan Monte Carlo sebagai berikut. Perbaiki beberapa kisi halus 0 ≤ t 1 < ⋯ < t k ≤ 1 , dan gambar sampel ( x i 1 , ... , x i k ) dan ( y i 1 , ... , y i k ) dari vektor acak normal ( X ( t 1 )
sumber