Як виконувати регресію процесу Гаусса, коли наближення функції змінюється з часом?

Які хороші стратегії виконання регресії процесу Гаусса, коли функція, яку я намагаюся наблизити до змін, з часом? Наївний підхід, який мені спадає на думку, полягає у використанні лише N останніх точок даних для здійснення регресії. Які кращі стратегії?

Ви можете спробувати цей метод:

Методи вибору прогнозного активного набору для процесів Гаусса

Ми пропонуємо активну структуру вибору набору для класифікації Гаусса для тих випадків, коли набір даних є досить великим, щоб зробити його висновок забороненим. Наша схема складається з двоступеневої процедури чергування активних правил оновлення набору та оптимізації гіперпараметрів, заснованих на граничній максимізації ймовірності. Правила оновлення активних наборів покладаються на здатність прогнозних розподілів класифікатора Гаусса оцінювати відносний внесок точки даних при включенні або видаленні з моделі.

Якщо вам потрібен фіксований алгоритм бюджету, див. Наприклад,

М. Лазаро-Греділла, С. Ван Варенберг та І. Сантамарія, "Баєсовий підхід до відстеження з рекурсивними найменшими квадратами ядра", Міжнародний семінар IEEE з машинного навчання для обробки сигналів (MLSP 2011), Пекін, Китай, вересень 2011 р. .