.png){kind=icon}
返回
Influence functions for Gaussian process hyperparameter estimation
.png){kind=icon}
OA
AI
DOI：10.1007/s41060-026-01285-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们推导并分析了高斯过程（GP）模型中超参数估计量的影响函数。尽管高斯过程广泛应用于回归和概率建模，但它们的超参数通常通过最大化边际似然进行学习。我们证明，由此产生的估计量具有无界的影响函数，这意味着即使单个异常数据点也能对核参数产生任意大的杠杆效应。通过理论推导和实证验证，我们表明这种鲁棒性缺失是高斯过程超参数估计的结构性属性，而非数值上的假象。
Keyword:
Gaussian processes
Influence functions
Hyperparameter estimation
Robust statistics
Robust regression
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
.png){kind=icon}
分享收藏Gaussian spatial linear models with repetitions: An application to soybean productivity具有重复的Gaussian空间线性模型：在 soybean productivity 中的应用
PREAI
分享收藏分享收藏
查看更多内容