Je veux implémenter une régression de processus gaussienne incrémentielle en utilisant une fenêtre glissante sur les points de données qui arrivent un par un via un flux.
Soit la dimensionnalité de l'espace d'entrée. Ainsi, chaque point de données a nombre d'éléments.
Soit la taille de la fenêtre coulissante.
Afin de faire des prédictions, je dois calculer l'inverse de la matrice de grammes , où et k est le noyau exponentiel au carré.
Afin d'éviter que K ne grossisse à chaque nouveau point de données, j'ai pensé que je pourrais supprimer le plus ancien point de données avant d'ajouter de nouveaux points et de cette façon j'empêche le gramme de croître. Par exemple, supposons que où est la covariance des poids et est la fonction de mappage implicite impliquée par le noyau exponentiel au carré.
Soit maintenant ] et où les sont des matrices par colonne.
Je besoin d' un moyen efficace de trouver le potentiellement en utilisant . Cela ne ressemble pas à l'inverse d'un problème de matrice mis à jour de rang 1 qui peut être traité efficacement avec la formule de Sherman-Morrison.