Quais são as boas estratégias para executar a regressão gaussiana de processos quando a função que estou tentando aproximar das mudanças ao longo do tempo? A abordagem ingênua que me vem à mente é usar apenas os N pontos de dados mais recentes para realizar a regressão. Quais são as melhores estratégias?
Você pode tentar este método:
Métodos preditivos de seleção de conjuntos ativos para processos gaussianos
Propomos uma estrutura de seleção de conjuntos ativos para a classificação de processos gaussianos para casos em que o conjunto de dados é grande o suficiente para tornar sua inferência proibitiva. Nosso esquema consiste em um procedimento alternativo de duas etapas, de regras de atualização de conjuntos ativos e otimização de hiperparâmetros, com base na maximização da probabilidade marginal. As regras de atualização do conjunto ativo dependem da capacidade das distribuições preditivas de um classificador de processo Gaussiano para estimar a contribuição relativa de um ponto de dados ao ser incluído ou removido do modelo.
Se você deseja um algoritmo de orçamento fixo, consulte, por exemplo,
Lázaro-Gredilla, S. Van Vaerenbergh e I. Santamaría, "Uma abordagem bayesiana para rastrear com mínimos quadrados recursivos do kernel", Workshop Internacional do IEEE sobre Aprendizado de Máquina para Processamento de Sinais (MLSP 2011), Pequim, China, setembro de 2011 .