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

Este artigo propõe a Regressão de Fatores Latentes de Processo Gaussiano (GPLFR), um modelo para prever saídas de alta dimensão a partir de poucos exemplos de treino. Ele acopla compressão e predição para melhorar o desempenho em regimes de dados baixos. A eficácia do GPLFR é demonstrada na criação do primeiro emulador espacialmente resolvido de modelos climáticos globais para exoplanetas rochosos.