问题描述
我知道深度 GP 的基本构建块是（变体）稀疏 GP 和 GPLVM。在（尝试）阅读相关论文（参见参考资料）并了解其要点*后，我仍然不确定我是如何理解它的实现（在代码中）是真正发生的事情。
*它的意思是它本质上是一堆（稀疏的）GP 层？。
我特别困惑的是将一层转移到另一层以及模型选择过程。也就是说，假设我有 3 层。我的问题是监督回归，所以我的 Y 输出是一维的（即 1 列输出）。我的问题是;
即优化第 1 层 -> 从第 1 层执行预测 (X) -> 将 (X,y_pred_layer1) 馈送到第 2 层 -> 优化第 2 层 -> 等等。 4. 如果模型选择是按顺序进行的，那么这会不会是一个（非常）昂贵的过程？
主要参考文献：
- http://proceedings.mlr.press/v31/damianou13a.pdf（主要 DGP 论文）
- https://www.researchgate.net/publication/220320048_Variational_Learning_of_Inducing_Variables_in_Sparse_Gaussian_Processes（稀疏 GP 如何工作/学习）
- https://arxiv.org/abs/1705.08933（双重随机变分推理 对于深度高斯过程，一种新的层间学习方式？）
- http://etheses.whiterose.ac.uk/9968/1/Damianou_Thesis.pdf（OG，damianou 的论文）
代码参考： 我试图远离 tensorflow/pytorch 实现，因为我想看看幕后发生了什么，所以主要参考是 GPy 的实现。 https://github.com/SheffieldML/PyDeepGP 然而调试 PyDeepGP 仍然很困难。
*注意：我使用过克里金模型，即标准 GPR（来自工程背景）
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）