利用深度高斯过程增强不确定性估计

准确估计预测模型中的不确定性对于广泛的应用至关重要，从土地利用建模中的决策到金融和自主系统中的稳健预测。高斯过程 (GP) 为不确定性量化提供了一个坚实的基础，但在应用于大型、高维数据集时，通常难以扩展和灵活。深度高斯过程 (DGP) 是 GP 的强大扩展，允许 GP 的多层泛化，从而能够更灵活和表达地建模复杂数据。随着模型复杂性的增加，计算成本也随之增加，这使得将 DGP 扩展到大型数据集变得困难。虽然变分推断已被用于大型数据集，但它通常会产生过于自信的不确定性估计，因为它不能有效地利用输入相关的函数不确定性。本文介绍了一种使用预测对数似然 (PLL) 目标与 DGP 模型相结合来增强不确定性估计的方法，以解决这些限制。该方法依赖于为预测分布族设计的参数 GP 回归模型，并结合一个修改后的目标函数，以恢复预测方差的各种贡献之间的完全对称性。我们在几个基准回归和大型环境数据集上评估了我们方法的性能。结果表明，该模型提供了更可靠的不确定性估计，尤其是在数据稀疏的区域，使其在实际应用中效率更高。