我正在尝试构建多维GP回归，最初具有两个输出f1（x），f2（x）。 在一个输出上有些武断，因此我想在这里使用Matern内核：f1'（x）= K_Matern f1（x）。另一个输出f2（x）显示振幅与f1（x）的值有关的季节性：f2'（x）= K_season（x）f1（x）。我一直在尝试通过将两者与Coreg内核结合来构成合适的内核： K_Matern * Coreg * K_season。由于这似乎行不通，所以我想知道我的错误在哪里。
k1 = gpflow.kernels.Matern32(1, active_dims=[0], lengthscales = 1)
k2 = gpflow.kernels.Periodic(1, active_dims=[1], lengthscales = 1)
coreg = gpflow.kernels.Coregion(1, output_dim=2, rank=1, active_dims=[1])
kern = k1 * coreg * k2
lik = gpflow.likelihoods.SwitchedLikelihood([gpflow.likelihoods.StudentT(), gpflow.likelihoods.StudentT()])
X_augmented = np.vstack((np.hstack((X1, np.zeros_like(X1))), np.hstack((X2, np.ones_like(X2)))))
Y_augmented = np.vstack((np.hstack((Y1, np.zeros_like(X1))), np.hstack((Y2, np.ones_like(X2)))))
m = gpflow.models.VGP(X_augmented, Y_augmented, kern=kern, likelihood=lik, num_latent=1)
答案 0 :(得分：0)
您的k2与X_augmented（coreg）在active_dims=[1]上具有相同的维数-该列是0还是1，具体取决于它所关联的输出到，显然不是您想要的！如果要在不同的输出上使用不同的内核，则需要使用多输出框架，GPflow文档中有一个multi-output notebook。具体来说，您可能需要SeparateIndependentMok([Matern32(1), Periodic(1)])。请注意，在此框架中，您需要为每个输入提供所有输出，并且Y不必为索引输入增加输出X，而是每个输出只有一列（因此在示例中为N x 2）。