我是 GPR 的新手。如果您就以下问题向我提出一些建议，我将不胜感激：
我们可以在稀疏高斯过程中使用 Matern52 内核吗？
选择伪输入（Z）的最佳方法是什么？随机抽样是否合理？
我想提一下，当我使用Matern52内核时，以下错误会停止优化过程。我的代码：
k1 = gpflow.kernels.Matern52(input_dim=X_train.shape[1], ARD=True)
m = gpflow.models.SGPR(X_train, Y_train, kern=k1, Z=X_train[:50, :].copy())
InvalidArgumentError（参见上面的回溯）：输入矩阵不可逆。 [[节点：gradients_25 / SGPR-31ceaea6-412 / Cholesky_grad / MatrixTriangularSolve = MatrixTriangularSolve [T = DT_DOUBLE，adjoint = false，lower = true，_device =“/ job：localhost / replica：0 / task：0 / device：CPU： 0“]（SGPR-31ceaea6-412 / Cholesky，SGPR-31ceaea6-412 / eye_1 / MatrixDiag）]
任何帮助将不胜感激，谢谢。
答案 0 :(得分：1)
您是否对一小部分数据进行了试验，也许可以在此处发布？ Matern52没有理由不起作用。随机采样诱导点应该是一个合理的初始化，尤其是在更高维度中。但是，如果最终得到一些彼此非常接近的归纳点，则可能会遇到问题（这会使K_ {zz} = cov（f（Z），f（Z））矩阵的条件差，这将解释为什么Cholesky失败）。如果尚未对X_train进行混洗，则可能要使用Z=X_train[np.random.permutation(len(X_train))[:50]来获得混洗的索引。添加白噪声内核kern = k1 + gpflow.kernels.White（）...