Temporal Categorical Modeling Using Latent Gaussian Processes

Meng, Rui

doi:10.1007/s00357-026-09546-5

Temporal Categorical Modeling Using Latent Gaussian Processes

2026-03-01

0

PRE

AI

DOI：10.1007/s00357-026-09546-5

原文链接

原文求助

摘要

En 中文

潜变量高斯过程因其通过高斯过程实现从低维潜空间到高维空间的灵活非线性映射，被广泛应用于潜变量模型。然而，这些模型计算密集且扩展性差。本文提出一种时序分类模型，利用潜变量高斯过程、诱导输入近似和正则化框架来建模多元分类过程，包括对超参数施加先验和无先验的情况。我们分析了其底层属性，并引入两种变分推断方法：一种基于蒙特卡罗方法，另一种基于delta方法。我们还发现潜变量动态倾向于坍缩为零常数，阻碍了动态信息的反映。为解决此问题，我们提出两种正则化潜变量动态的策略以更好地与观测动态对齐：基于诱导变量的正则化项引入，以及为潜变量高斯过程引入尺度先验。此外，我们提出了一种高效且有效的随机变分推断技术。最后，我们使用合成数据和真实金融数据展示了我们的模型和推断方法。

Keyword:

Sparse Gaussian process

Variational inference

Latent variable model

Temporal Categorical Modeling Using Latent Gaussian Processes

摘要

期刊

机构

引用论文