是否可以在缺少某些输入的情况下使用GPFlow进行多任务学习？具体来说，我正在尝试拟合来自多个相关个体的空间数据，但是数据并不是针对所有个体都位于相同的输入位置。我知道我应该在这里进行分层GP，但是它们的伸缩性往往不好。我希望可以代替使用多任务学习，尽管用例不能准确地映射到此方法的典型应用程序上。
答案 0 :(得分：1)
是否可以在缺少某些输入的情况下使用GPFlow进行多任务学习？
当然可以。
GPflow实现此目的的方法是将输出索引堆叠到输入上。例如，假设您在位置[0.1，0.2，0.3]和[0.3，0.4，0.5]处观察到两个输出（0，1），那么您将构造“输入矩阵”
[0.1 0]
[0.2 0]
[0.3 0]
[0.3 1]
[0.4 1]
[0.5 1]
然后，使用“ active_dims”指定内核如何在此矩阵上起作用。可以对此模型起作用的最简单的内核是：
k = gpflow.kernels.Matern32（1，active_dims = [0]）* gpflow.kernels.Coregion（1,2,2，active_dims = [1]）
这是内在的共区域化模型（请参见Alvarez等，[1]）。您可以在GPflow文档here中找到更详细的演示。
请注意，您可能需要一个更强大的模型来进行固有的共区域化：共区域化的线性模型更强大，并且仍然易于实现。
答案 1 :(得分：0)
GPflow当前没有模型可以做到这一点。但是，GPflow确实提供了轻松实现此目的的工具。两个建议：
Kuf，为其请求的输出与相应的输入一起传递。