Fast Gaussian Process Inference By Exact Matérn Kernel Decomposition // N. Langrené, X. Warin, P. Gruet

Home   /   Publications, Rapports   /   Fast Gaussian Process Inference By Exact Matérn Kernel Decomposition // N. Langrené, X. Warin, P. Gruet
15
Oct

15 octobre 2025
by
in Publications, Rapports
tagged:

Cet article propose un algorithme exact et rapide pour l’inférence des processus gaussiens, reposant sur une décomposition du noyau de Matérn en fonctions de répartition empiriques pondérées. Compatible avec une large classe de noyaux, l’approche exploite une stratégie de type "divide-and-conquer" et gère également la présence d’effets fixes linéaires. Les résultats numériques montrent une efficacité remarquable sur des jeux de données massifs en basse dimension, avec une implémentation disponible en open source.

Download Attachments

Related Posts

15
Oct

A Spectral Mixture Representation of Isotropic Kernels to Generalize Random Fourier Features // N. Langrené, X. Warin, P. Gruet

in Publications, Rapports
Comments are off for this post.
Cet article généralise la méthode des Random Fourier Features (Rahimi & Recht 2007) en proposant une nouvelle représentation spectrale...
15
Oct

A Non-Local Estimator For Locally Stationary Hawkes Processes // T. Deschatre, P. Gruet, A. Lotz

in Publications, Rapports
Comments are off for this post.
Cet article traite de l’estimation des paramètres d’un processus de Hawkes non stationnaire, avec des intensités de base et...
15
Oct

Some Limit Theorems for Locally Stationary Hawkes Processes // T. Deschatre, P. Gruet, A. Lotz

in Publications, Rapports
Comments are off for this post.
Cet article établit une loi des grands nombres et un théorème central limite fonctionnel pour une classe de processus...