¿Cuáles son buenas estrategias para realizar la regresión del proceso gaussiano cuando la función que intento aproximar cambia con el tiempo? El enfoque ingenuo que me viene a la mente es usar solo los N puntos de datos más recientes para realizar la regresión. ¿Cuáles son las mejores estrategias?
Puedes probar este método:
Métodos de selección de conjuntos activos predictivos para procesos gaussianos
Proponemos un marco de selección de conjunto activo para la clasificación del proceso gaussiano para casos en que el conjunto de datos es lo suficientemente grande como para hacer que su inferencia sea prohibitiva. Nuestro esquema consiste en un procedimiento alternativo de dos pasos de reglas de actualización de conjunto activo y optimización de hiperparámetros basada en la maximización de probabilidad marginal. Las reglas de actualización del conjunto activo se basan en la capacidad de las distribuciones predictivas de un clasificador de procesos gaussiano para estimar la contribución relativa de un punto de datos cuando se incluye o elimina del modelo.
Si desea un algoritmo de presupuesto fijo, consulte, por ejemplo,
M. Lázaro-Gredilla, S. Van Vaerenbergh e I. Santamaría, "Un enfoque bayesiano para el seguimiento con mínimos cuadrados recursivos del núcleo", IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2011), Beijing, China, septiembre de 2011 .