Python GPFlow中约束参数的先验解释

我不确定是否要就此在github上提出问题，但我认为这与其说是一个问题，不如说是我缺乏理解，所以我将其发布在这里

我想在GPFlow模型（在本例中是RBF核）的核上放置超参数的优先级。这很容易做到——例如，我可以写：

kern.variance.prior=gpf.priors.Gaussian（0,1）

关于核方差参数

我不确定的是，该语句对受约束的参数（如上面的方差）有何作用。它是受约束的正值，手册中写道，还有一个无约束表示，log（exp（θ）-1）

我想了解的是优先权是放在什么上面的。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，分布放置在约束（+ve）参数上

请注意，变量的变化是使用变换的雅可比矩阵来解释的

是的，在这种情况下，将高斯先验值放在+ve变量上没有什么意义。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

---

如果优先级与约束不兼容，GPflow可能应该警告用户？欢迎光临

谢谢你的快速回复，詹姆斯！这回答了我的问题。我已经得到了伽马（0.5，2），它应该对应于标准偏差的半标准法线。我会看看我是否能为你的想法做一个公关！