發佈日期:2020-12-03
瀏覽數:1066 2021-09-24 更新
臺大管理學院於12月03日舉辦「種子教師研究計畫-成果分享會」,本次邀請到資管系的盧信銘教授擔任主講人,分享其研究的「Nonparametric Regression via Variance-Adjusted Gradient Boosting Gaussian Process Regression」,此篇論文探討如何在梯度提升機(Gradient BoostingMachine,GBM)的框架下,建構高斯過程迴歸(Gaussian Process Regression, GPR),降低訓練模型時的時間與空間複雜度,提高運算效率,意即在相同配備規格下,能夠處理更龐大的資料。
高斯過程迴歸為基於內核(Kernel-based)的非參數(Nonparametric)迴歸模型,與支援向量迴歸(Support Vector Regression,SVR)類似。高斯過程迴歸與傳統的線性迴歸模型相異之處在於其假設資料集當中的應變數y的相關性可以透過如徑向基底函數(Radial Basis Function, RBF)的內核函數建構其共變異數矩陣(Covariance Matrix)。高斯過程迴歸對許多資料集有相當良好的預測表現,然而其模型訓練的時間複雜度為n3,空間複雜度為n2,隨著資料筆數的增加,訓練模型所需時間與空間的增加則相當可觀。
資料來源: 台大管院院行政辦公室 |