当近似函数随时间变化时，如何执行高斯过程回归？

当我尝试近似随时间变化的函数时，执行高斯过程回归的好的策略是什么？我想到的幼稚方法是仅使用N个最新数据点执行回归。什么是更好的策略？

您可以尝试以下方法：

高斯过程的预测活动集选择方法

对于数据集足够大以致于无法进行推理的情况，我们提出了一种用于高斯过程分类的活动集选择框架。我们的方案由两步交替过程组成：活动集更新规则和基于边际似然最大化的超参数优化。活动集更新规则依赖于高斯过程分类器的预测分布的能力来估计数据点在被包含或从模型中删除时的相对贡献。

如果您需要固定预算算法，请参见例如

M.Lázaro-Gredilla，S。Van Vaerenbergh和I.Santamaría，“基于贝叶斯的递归最小二乘跟踪的贝叶斯方法”，IEEE信号处理机器学习国际研讨会（MLSP 2011），中国北京，2011年9月。