解释 GPFlow 中约束参数的先验
Interpreting priors on constrained parameters in GPFlow
我不确定是否要在 github 上提出问题，但我认为这不是问题，而是我缺乏理解，所以我 post 它这里。
我想在 GPFlow 模型（在本例中为 RBF 内核）中的内核的超参数上放置先验信息。这很容易做到——例如，我可以写：
kern.variance.prior = gpf.priors.Gaussian(0, 1)
关于内核方差参数。
我不确定的是这个语句对约束参数做了什么，比如上面的方差。它是约束正的，手册上写道还有一个不受约束的表示，log(exp(theta) - 1).
我想了解的是先验是放在什么上面的。这个正态分布是放在无约束表示上，还是直接放在变换后的表示上？后者会有点奇怪，因为它支持负值（也许我应该只使用具有正支持的分布？）。
谢谢！
是的，分布放在约束（+ve）参数上。
请注意，变量的变化是使用变换的雅可比矩阵计算的。
是的，在这种情况下，将高斯先验放在 +ve 变量上毫无意义。结果可能是你有一个截断的高斯先验，但我必须检查......这不是它的用途！
如果先验与约束不兼容，GPflow 是否应该警告用户？欢迎 PR。
我不确定是否要在 github 上提出问题，但我认为这不是问题，而是我缺乏理解，所以我 post 它这里。
我想在 GPFlow 模型（在本例中为 RBF 内核）中的内核的超参数上放置先验信息。这很容易做到——例如，我可以写：
kern.variance.prior = gpf.priors.Gaussian(0, 1)
关于内核方差参数。
我不确定的是这个语句对约束参数做了什么，比如上面的方差。它是约束正的，手册上写道还有一个不受约束的表示，log(exp(theta) - 1).
我想了解的是先验是放在什么上面的。这个正态分布是放在无约束表示上，还是直接放在变换后的表示上？后者会有点奇怪，因为它支持负值（也许我应该只使用具有正支持的分布？）。
谢谢！
是的，分布放在约束（+ve）参数上。
请注意，变量的变化是使用变换的雅可比矩阵计算的。
是的，在这种情况下，将高斯先验放在 +ve 变量上毫无意义。结果可能是你有一个截断的高斯先验，但我必须检查......这不是它的用途！
如果先验与约束不兼容，GPflow 是否应该警告用户？欢迎 PR。