.png){kind=icon}
返回
Sequential Inference With Gaussian Processes: A signal processing perspective
.png){kind=icon}
PRE
AI
DOI：10.1109/msp.2026.3690245.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）模型在能力与效率上的蓬勃发展，标志着信号处理（SP）近百年历史中方法学上最显著的变革之一。ML模型支持开发具有高预测精度的SP系统，用以表征复杂的非线性关系。这些模型的适配通常需要顺序推理，这在理论和方法上均区别于典型的ML范式，后者通常假设数据独立同分布。高斯过程（GPs）是建模随机函数的灵活且严谨的框架，随着统计与ML方法在SP中扮演日益重要的角色，它们的相关性不断增强。本文提供了关于GPs的独立、教程式综述，特别关注顺序、增量或流式推理方面的近期方法学进展。我们从SP视角介绍这些技术，同时将其与ML的最新进展相联系。我们综述的诸多发展直接应用于状态空间建模、顺序回归与预测、时间序列异常检测、顺序贝叶斯优化、自适应与主动传感，以及顺序检测与决策制定。通过从SP视角组织这些进展，我们旨在为从业者提供实用工具和连贯的路线图，以在实际系统中部署顺序GPs模型。
Keyword:
Machine learning
Sequential analysis
Gaussian processes
Inference algorithms
Bayes methods
Signal processing
State-space methods
Optimization methods
期刊
IF:
9.6
论文数:
1.1W
被引数:
1.7W
机构
查看更多机构
引用论文
暂无论文信息