核心概念
Robuste Vorhersagemodelle für geomagnetische Störungen durch GPR mit kontaminiertem Rauschen.
要約
Gaussian Processes (GP) sind beliebte Methoden des maschinellen Lernens für komplexe Kovarianzstrukturen.
Heteroskedastische Varianz und Ausreißerrauschen werden durch kontaminierte Normalverteilung berücksichtigt.
Anwendung auf geomagnetische Bodenstörungen mit kürzeren Vorhersageintervallen im Vergleich zu neuronalen Netzwerken.
GPR-Modelle mit Mischrauschen haben sich als robust gegenüber Ausreißern erwiesen.
Verschiedene robuste GPR-Methoden wurden untersucht und verglichen.
Sparse Variational Gaussian Process (SVGP) ermöglicht skalierbare Inferenz für GPR-Modelle mit kontaminiertem Rauschen.
統計
GPR-Modelle mit Mischrauschen haben sich als robust gegenüber Ausreißern erwiesen.
SVGP ermöglicht skalierbare Inferenz für GPR-Modelle mit kontaminiertem Rauschen.