Tối ưu hóa Bayes cho tiếng ồn không phải Gaussian

Hàm hộp đen , được đánh giá theo chủ đề đối với nhiễu Gaussian, tức là , có thể được giảm thiểu bằng cách sử dụng tối ưu hóa Bayes trong đó Quy trình Gaussian được sử dụng làm mô hình hàm nhiễu. f ( x ) + N ( μ ( x ) , σ ( x ) 2$f: \mathbb{R}^n \rightarrow \mathbb{R}$$f(x) + \mathcal{N}(\mu(x),\sigma(x)^2)$

Làm thế nào tối ưu hóa Bayes có thể được sử dụng cho các chức năng chịu tiếng ồn không phải là Gaussian, ví dụ, phân phối sai lệch?

Có bất kỳ triển khai nào hỗ trợ cài đặt này không?

Có các mô hình quá trình Gaussian với khả năng không phải là Gaussian : Phân phối trước trên hàm vẫn là quy trình Gaussian nhưng thuật ngữ nhiễu không còn là Gaussian nữa, nghĩa là khả năng không còn được coi là Gaussian nữa. Kết quả là các kết quả phân tích bị mất và việc suy luận bây giờ đòi hỏi các phương pháp gần đúng như xấp xỉ MCMC hoặc xấp xỉ Laplace.$f$$p(y | f)$

Đối với một số bản phân phối, điều này được triển khai và giải thích như là một phần của gói Matlab GPML , có sẵn và được giải thích tại đây . Bảng các phương pháp suy luận trong phần 3d ("Tổng quan chi tiết hơn") đưa ra một cái nhìn tổng quan về những phân phối nào đã được thực hiện cho khả năng và phương pháp suy luận nào có sẵn cho mỗi phương pháp.

Các bài viết duy nhất mà tôi có thể liên kết bạn ngay bây giờ (vì tôi đánh dấu chúng tại một số điểm) đang ở trên của Student phân phối:$t$

• Shah, Amar, Andrew Wilson và Zoubin Ghahramani. "Student-t xử lý như là sự thay thế cho các quy trình Gaussian." Trí tuệ nhân tạo và Thống kê. 2014.
• Shah, Amar, Andrew Wilson và Zoubin Ghahramani. "Student-t xử lý như là sự thay thế cho các quy trình Gaussian." Trí tuệ nhân tạo và Thống kê. 2014.
• Jylänki, Pasi, Jarno Vanhatalo và Aki Vehtari. "Hồi quy quy trình Gaussian mạnh mẽ với khả năng của Student-t." Tạp chí nghiên cứu máy học 12.Nov (2011): 3227-3257.