가우시안 프로세스의 순차적 추론: 신호 처리 관점

능력이 뛰어나고 효율적인 기계 학습 (ML) 모델의 확산은 거의 100 년에 달하는 신호 처리 (SP) 역사에서 가장 강력한 방법론적 전환 중 하나를 나타냅니다. ML 모델은 복잡한 비선형 관계를 높은 예측 정확도로 표현하는 SP 시스템의 개발을 지원합니다. 이러한 모델을 적응시키는 과정에는 종종 데이터가 독립적이고 동일하게 분포된다는 가정 하에 이루어지는 일반적인 ML 패러다임과 이론적, 방법론적으로 다른 순차적 추론 (sequential inference) 이 필요합니다. 가우시안 프로세스 (GPs) 는 확률 함수를 모델링하는 유연하면서도 원칙적인 프레임워크이며, 통계 및 ML 방법이 더 중요한 역할을 assumed 되면서 SP 에 있어 그 관련성이 높아지고 있습니다. 우리는 최근의 순차적, 증분적 또는 스트리밍 추론 (sequential, incremental, or streaming inference) 에서의 방법론적 진전을 특히 중점적으로 다루는 자기 완결형 튜토리얼 스타일의 GP 개요를 제공합니다. 우리는 이러한 기법을 신호 처리 관점에서 소개하면서도 최근 ML 의 발전과 이를 연결합니다. 우리가 조망하는 많은 발전들은 상태 공간 모델링 (state-space modeling), 순차적 회귀 및 예측, 시계열 이상 탐지 (anomaly detection in time series), 순차적 베이지안 최적화 (sequential Bayesian optimization), 적응형 및 능동 센싱 (adaptive and active sensing), 그리고 순차적 탐지 및 의사 결정 (sequential detection and decision-making) 에 직접적인 응용이 있습니다. 이러한 발전들을 신호 처리 관점에서 조직화함으로써, 우리는 실무자들에게 실제 시스템에서 순차적 GP 모델을 배포하기 위한 실용적인 도구와 일관된 로드맵을 제공하고자 합니다.