问题标签 [gpflow]

在 GPflow 中，我有多个时间序列，并且采样时间没有跨时间序列对齐，并且时间序列可能有不同的长度（纵向数据）。我假设它们是来自同一个 GP 的独立实现。用 svgp 处理这个问题的正确方法是什么，更普遍的是用 GPflow？我需要使用共同区域化吗？共同区域化笔记本假设相关轨迹，而我想要共享均值/内核但独立。

给定具有多维特征和标量观察的高斯过程模型，如何在 GPyTorch 或 GPFlow（或 scikit-learn）中计算输出到每个输入的导数？

我有一个二维内核，

我想修复二维的长度尺度，然后优化另一个。

我可以使用禁用所有长度尺度优化，

但我不能只将一个维度传递给这个方法。

在 GPy 中，我们会调用m.kern.lengthscale[1:].fixed()什么的。

也许我可以使用转换来大致实现这一点（例如这里），但这很复杂。

我有一个SGPR模型：

而且我想分配诱导变量但具有不同的形状，例如：

但如果我这样做，我得到：

有没有办法在不重新定义模型的情况下重新分配诱导变量？

背景：我不想用诱导变量优化模型，而是在不优化诱导变量的情况下优化模型，在优化的每一步手动重新分配诱导变量。

GPflow 文档提供了一个使用robust-max 函数进行多类分类的示例。我正在尝试用 softmax 似然训练一个多类分类器，这也在GPflow 中实现，但我找不到任何关于如何正确使用它的文档或示例。

请在下面找到我尝试过的示例。在训练期间，损失平滑地减少。

上面提到的robust-max 示例使用分类标签，即值0、1、2，但简单地用softmax 似然替换robust-max 会在正交方法中引发IndexError 。因此，我假设这个具有 softmax 似然性的模型需要 one-hot 编码标签。然而，在测试时，我注意到对于这个三类玩具示例，模型永远不会预测类 3。仔细检查后，softmax 似然有以下方法

看起来它需要一个 shape 的分类标签数组[num_samples, 1]。

将 softmax 似然用于 GP 多类分类的正确方法是什么？

对于我的模型，有两种不同类型的数据。让我们说类型 X1 的数据和类型 X2 的数据。

是否可以为两种数据类型实现不同的内核？那么从 X1 类型的数据开始，使用内核 X1，从 X2 类型的数据开始，使用内核 X2？（我使用VGP模型）

背景是我知道两种数据类型之一的超参数，而不是另一种数据类型的超参数。

谢谢你的帮助！

我正在尝试在 gpflow 中实现我自己的 MultioutputKernel (MOK)，但是我被困在 Multiple Dispatch 的(Kernel, Inducing Variable)组合中。

根据docsMultioutputKernel ，组合 a with的后备方法InducingPoints应该是调用fully_correlated_conditional(via gpf.conditionals.multioutput.inducing_point_conditional)。

但是，我无法让任何 MOK 与非独立诱导变量一起工作，甚至是预先实现的变量。这是一个最低限度的不工作示例SharedIndependent：

这是行不通的，除非有人用

但是对于我的自定义非独立内核，我需要完全相关的条件。我得到的错误是

在inducing_point_conditional将内核矩阵传递给base_conditional. 但是，我不明白哪里出了问题，因为形状应该没问题。它们就像文档中定义的那样。

我必须改变什么才能让它在完全相关的条件下运行？

我正在尝试使用线性运算符执行 GP 回归，例如 Särkka 的这篇论文中所述：https://users.aalto.fi/~ssarkka/pub/spde.pdf在这个例子中，我们可以从方程（8 ）我需要一个不同的核函数用于完整协方差矩阵中的四个协方差块（训练和测试数据）。

这绝对是可能且有效的，但我想将其包含在（最好）GPflow 或 GPytorch、GPy 等的内核定义中。

但是，在Gpflow中的内核设计文档中，唯一的可能性是定义一个作用于所有协方差块的协方差函数。原则上，上面的方法应该是直接添加我自己（核函数表达式可以解析得出），但我看不到任何将“异构”核函数合并到回归或核类中的方法。我尝试咨询其他软件包，例如Gpytorch和Gpy，但同样，内核设计似乎不允许这样做。

也许我在这里遗漏了一些东西，也许我对底层实现不够熟悉来评估这一点，但如果有人以前做过这个或看到（什么应该是相当直接的？）实现可能性，我会很高兴找出答案。

非常感谢您的回答！

亲切的问候

我正在尝试使用泊松似然来实现 GP 回归。我按照GPy中的例子做了

当我尝试使用 GPflow 做同样的事情时，我以以下方式实现

当我使用 GP 流程实现这一点时，超参数并没有从初始化值移动。另外，我得到了非常不同的结果，我做错了什么吗？

GPflow 的结果

GPy 的结果

我运行以下代码来生成一个图表，其中根据https://gpflow.readthedocs.io/en/stable/notebooks/basics/regression.html绘制平均函数、95% 置信区间和来自后验的 10 个样本：

运行它时，我得到以下错误：

X 和 Y 是两个给定的数组，例如：