Gaussian Process Latent Factor Regression for Low-Data, High-Dimensional Output Problems

Dieses Papier schlägt die Gaußsche Prozess Latente Faktor Regression (GPLFR) vor, ein Modell zur Vorhersage hochdimensionaler Ausgaben aus wenigen Trainingsbeispielen. Es koppelt Kompression und Vorhersage in einem einzigen Ziel, um hohe Dimensionalität zu bewältigen. GPLFR wird durch den Bau des ersten räumlich aufgelösten Emulators globaler Klimamodelle für felsige Exoplaneten demonstriert.