gpflow - 如何从 GPFlow 中的随机变分高斯过程 (SVGP) 中获取噪声方差

Question

正如问题所述，我想知道如何从 GPFlow 中的 SVGP 模型中获取噪声方差（而不是信号方差）。为了澄清，我所说的噪声方差是指高斯似然的参数，我理解它是观测值的预测方差减去潜在函数的预测方差之间的差异（后者是我所说的信号方差）。

SVGP 实际上不是我的目标，我试图理解异方差模型，但它也使用 SVGP，所以我想我会从那里开始。

Answer 1

似然对象存储在model.likelihood. 对于精确的高斯过程回归模型（在 中实现gpflow.models.GPR），这始终是一种Gaussian可能性，您可以使用其likelihood.variance属性访问噪声方差。因此，如果您将模型定义如下，

model = gpflow.models.SVGP(kernel, gpflow.likelihoods.Gaussian(0.01), inducing_variable, ...)

然后您可以使用 . 访问当前值（优化后）model.likelihood.variance。

或者model.likelihood.variance.numpy()，如果您希望它为 numpy 类型——这将是一个标量（0 维）数组，您可以使用model.likelihood.variance.numpy().item().

对于异方差模型，一个 GP 参数化均值，第二个参数化方差，因此您可以简单地使用第二个 GP 的预测（然后您必须通过您正在使用的链接函数将其传递）。