Sen sordun:
Gauss süreç gerilemesi hala milyonların 10'unun case olduğu durumda mı çalışıyor?
Büyük bir matris oluşturmak ve ters çevirmek için standart anlamda değil. İki seçeneğiniz vardır: 1) farklı bir model seçin veya 2) bir tahmin yapın.
1) Bazı GP tabanlı modeller, yukarıdaki cevaba bağlanan Bayesci komite makinesi gibi çok büyük veri setlerine ölçeklendirilebilir. Bu yaklaşımı oldukça tatmin edici bulmuyorum: GP modeli seçmenin iyi nedenleri var ve daha hesaplanabilir bir modele geçecek olursak orijinal modelin özelliklerini koruyamayabiliriz. BCM'nin tahmini varyansları, örneğin veri bölünmesine büyük ölçüde bağlıdır.
2) GP'lerde yaklaşık klasik yaklaşım 'çekirdek matrisine yaklaşmaktır. Burada bu tür yöntemlerin iyi bir incelemesi vardır: http://www.jmlr.org/papers/volume6/quinonero-candela05a/quinonero-candela05a.pdf . Aslında, bu matris yaklaşımlarını genellikle model yaklaşımı olarak görebilir ve Bayesci komite makinesiyle birleştirebiliriz: modelde değişiklik yaparlar ve bu değişikliklerin ne zaman patolojik olabileceğini anlamak zor olabilir. İşte süper bir inceleme: https://papers.nips.cc/paper/6477-understanding-probabilistic-sparse-gaussian-process-approximations.pdf
Büyük GP'ler için tahminler yapmayı savunduğum yöntem, çekirdek matrisine veya modele yaklaşmaktan kaçınmak ve varyasyonel çıkarım kullanarak arka dağılıma yaklaşmaktır . Hesaplamaların çoğu 'düşük dereceli' matris yaklaşımına benziyor, ancak çok istenen bir özellik var: Kullandığınız daha fazla hesaplama (daha fazla "sıralama"), KL tarafından ölçüldüğü gibi, yakınlık gerçek posteriora yakın uyuşmazlık.
Bu makaleler iyi bir başlangıç noktasıdır: http://proceedings.mlr.press/v5/titsias09a/titsias09a.pdf
https://arxiv.org/pdf/1309.6835
Burada aynı argüman hakkında daha uzun bir makale yazdım: https://www.prowler.io/blog/sparse-gps-approximate-the-posterior-not-the-model
Uygulamada, varyasyonel yaklaşım pek çok durumda gerçekten işe yarar. Gerçek uygulamalarda yaygın olarak kullandım. Ve daha yakın zamanlarda neden çalışması gerektiğini desteklemek için mükemmel bir teori vardı ( https://arxiv.org/abs/1903.03571 ).
Son bir eklenti: GP'lerde varyasyonsal çıkarım gpflow'da uygulanır ( https://github.com/GPflow/GPflow )