Я пытаюсь использовать гауссовские процессы в контексте проблемы регрессии, которая выполняется циклически. В каждом раунде поступает новый вход x, и модель GP делает прогноз y *. После того, как прогноз сделан, истинная истинность обнаружена (y), и затем модель GP должна вычислить апостериорную, используя (x, y). Обратите внимание, что (x, y) - это всего лишь ОДИН образец, а также что модель не имеет доступа ко всему набору данных и должна выполняться циклами. Я хочу сделать это с помощью GPflow, но пока не могу. Я просмотрел , этот и SVGP, но мне это не кажется подходящим вариантом использования. Мне не нужна разреженная вариационная модель GP или какое-либо приближение, поскольку я имею дело с одним образцом за раз, и апостериорное обновление не будет трудноразрешимым. В основном мне нужна модель GP, которая обновляет апостериорное среднее, $ m $ и апостериорную дисперсию $ k $ следующим образом:
Правило обновления для апостериорной
, где y - число, а x - мой многомерный ввод (ОДИН ОБРАЗЕЦ).