Краткое содержание

arXiv:2508.03679v3 Тип объявления: replace Аннотация: Гауссовы процессы (GP), как непараметрический метод обучения, предоставляют гибкие возможности моделирования и калиброванную оценку неопределенности для аппроксимации функций. Кроме того, GP поддерживают онлайн-обучение, эффективно включая новые данные с полиномиальной вычислительной сложностью, что делает их хорошо подходящими для безопасно-критичных динамических систем, требующих быстрой адаптации. Однако вывод и онлайн-обновления точных GP при обработке потоковых данных требуют кубической вычислительной сложности и квадратичной сложности по памяти, что ограничивает их масштабируемость для больших наборов данных в режиме реального времени. В данной статье мы предлагаем потоковую структуру экспертов, прогрессивно генерируемых на основе ядра для гауссовых процессов (SkyGP), которая решает как вычислительные ограничения, так и ограничения памяти, поддерживая ограниченный набор экспертов, при этом наследуя гарантии производительности обучения от точных гауссовых процессов. Кроме того, два варианта SkyGP