Neues Verfahren: Geometrische Optimierung zur Auswahl von GP‑Kernels
In der Welt der Gaussian‑Process‑Regressionen ist die Wahl des richtigen Kovarianz‑Kernels entscheidend für die Modellqualität. Ein neues Verfahren nutzt die Geometrie von „Kernel‑of‑Kernels“, um diesen Auswahlprozess zu beschleunigen und zu verbessern. Durch die Berechnung erwarteter Divergenzen zwischen GP‑Prioren entsteht ein Abstandsmatrix, die mit multidimensionaler Skalierung (MDS) in einen kontinuierlichen euklidischen Raum eingebettet wird. So wird ein diskreter Kernelliteratur‑Katalog in ein glattes, kontinuierliches Manifold überführt, das für die Bayesianische Optimierung (BO) ideal ist.
