Gaussiset prosessit monotonisuusrajoituksella suurille aineistoille
Loading...
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2014-06-16
Department
Major/Subject
Laskennallinen ja kognitiivinen biotiede
Mcode
IL3003
Degree programme
BIO - Bioinformaatioteknologia
Language
en
Pages
7+58
Series
Abstract
Tämän työn tarkoitus on kehittää menetelmä monotonisuusrajoitettujen Gaussisten Prosessien käyttämiseksi suurille aineistoille. Variaatiolaskentaan perustuvaa menetelmää testataan usealla simuloidulla ja oikealla aineistolla. Uuden menetelmän prediktiivistä kykyä verrataan expectation propagation menetelmään, sekä Markov chain Monte Carlo menetelmiin. Työssä saatujen tulosten perusteella voidaan päätellä, että uusi menetelmä toimii ja sitä voidaan käyttää, kun aineistot kasvavat liian suuriksia laskennallisesti raskaille menetelmille.In this thesis, we combine recent advances in monotonicity constraints for Gaussian processes with Big Data inference of Gaussian Proceses. The new variational inference based method is developed and experimented on several simulated and real world data sets by comparing the predictive performance to Expectation Propagation and Markov chain Monte Carlo methods. The results indicate that the new method produces good results and can be used when the data sets get so large that the computationally demanding methods cannot be used.Description
Supervisor
Lampinen, JoukoThesis advisor
Vehtari, AkiKeywords
Gaussian processes, monotonicity, big data, variational inference, Gaussiset prosessit, monotonisuus, suuret aineistot, variaatiolaskenta
