Каковы хорошие стратегии для выполнения регрессии гауссовского процесса, когда функция, которую я пытаюсь приблизить, изменяется во времени? Наивный подход, который приходит мне в голову, состоит в том, чтобы использовать только N самых последних точек данных для выполнения регрессии. Какие стратегии лучше?
Вы можете попробовать этот метод:
Методы выбора активного набора с предсказанием для гауссовских процессов
Мы предлагаем систему выбора активного набора для гауссовой классификации процессов в тех случаях, когда набор данных достаточно велик, чтобы сделать его вывод запретительным. Наша схема состоит из двухэтапной чередующейся процедуры обновления активного набора и оптимизации гиперпараметров на основе максимизации предельного правдоподобия. Правила обновления активного набора зависят от способности предиктивных распределений гауссовского классификатора процесса оценивать относительный вклад точки данных при включении или удалении из модели.
Если вам нужен алгоритм с фиксированным бюджетом, см., Например,
М. Лазаро-Гредилья, С. Ван Ваеренберг и И. Сантамария, «Байесовский подход к отслеживанию с помощью рекурсивных наименьших квадратов ядра», Международный семинар IEEE по машинному обучению для обработки сигналов (MLSP 2011), Пекин, Китай, сентябрь 2011 г. ,