我已经阅读了ArcCosine内核的源代码，似乎由于Cho和Saul（2009）定义了度为d的反余弦内核，因此不允许实
我正在尝试使用稀疏变分高斯过程回归器将一系列序列作为系统的输入来预测序列的48个步骤。
根
给出具有多维特征和标量观测值的高斯过程模型，如何在GPyTorch或GPFlow（或scikit-learn）中计算每个输入的
我有一个2d内核，
<pre><code> colorPixelFormat = .rgba16Float
if let caml = layer as? CAMetalLayer {
caml.wantsE
我有一个<code>SGPR</code>模型：
<pre class="lang-py prettyprint-override"><code>import numpy as np
import gpflow
X, Y = np.ra
GPflow文档为<a href="https://gpflow.readthedocs.io/en/master/notebooks/advanced/multiclass_classification.html" rel="nofollow norefer
我正在尝试使用泊松似然实现 GP 回归。
我按照GPy中的例子做
<pre><code>poisson_likelihood = GPy.likelihoods.Pois
我运行以下代码以生成一个图表，其中按照 <a href="https://gpflow.readthedocs.io/en/stable/notebooks/basics/regression.ht
我正在提供不同的小批量来优化 GPflow 模型 (SVGP)。如果我用 <code>optimization_step</code> 装饰 <code>tf.function</c
我正在尝试在 GPflow 2 中分析我的代码，因为我需要知道我的代码的哪一部分消耗了最多的 CPU 时间。在 G
我的用例是图形上的 GPLVM。我想对图中的节点进行后验。我计划使用实现 <a href="https://github.com/spbu-math-cs
我正在创建一些 GPflow 模型，在这些模型中，我需要阈值 <code>x0</code> 前后的观察结果是先验独立的。我
假设我有一个训练有素的模型
<pre><code>m = gpflow.models.SVGP(
likelihood=likelihood, kernel=kernel, inducing_variab
我想了解贝叶斯 GPLVM 实现在 GPflow 中是如何工作的，但我正在为几行代码而苦苦挣扎。对于以下问题的
我知道深度 GP 的基本构建块是（变体）稀疏 GP 和 GPLVM。在（尝试）阅读相关论文（参见参考资料）并了
我有一个关于 gpflow 2 中的多输出内核的问题。对于我正在处理的应用程序，我想创建一个独立的多输出
如何使用 gpflow.kernels.changepoint 查找变更点位置。使用此内核拟合 GPR 模型后，如何将其追溯到数据中的
我对 GPy 和 gpflow 非常陌生，并且一直在学习使用他们网页上的常见示例来实现多输出多输入功能。为此
所需的协方差矩阵为
<a href="https://i.stack.imgur.com/7JTcR.png" rel="nofollow noreferrer"><img src="https://i.stack.imgu
我想构建一个多输出GP，其中输出之间的相关结构包含一个变化点。更改应该<strong>仅</strong>发生在 Coregi
