返回信息流上来就是一个没听说过的名词，高斯过程。还用在分类问题上，这个叫我如何是好。
第二个公式：
[upload=2][/upload]
恕我概率论学得渣，这个公式能这么推导吗？我看过好多类似的公式了，感觉完全没法证明啊，肿么回事？...就是这种带逗号的，表示什么意思...
另外什么多任务学习的判别式高斯过程隐变量模型，一头雾水好吗？
看到实验发现有点能理解了，据说本质是多尺度LBP+KLDA。
大家谁看过，给我讲讲好吗？
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #13173同步于 2014/4/29
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
GaussianFace那篇论文看不懂啊
amazingguoHa
2014/4/29镜像同步8 回复
订阅后，新回复会通过你的通知中心匿名送达。
8 条回复
https://www.youtube.com/watch?v=vU6AiEYED9E&index=151&list=PLD0F06AA0D2E8FFBA 这里讲了高斯过程的入门知识。很好理解。
推导了一下原始的式子，如果要在分子中把theta完全消去的话，应该需要y,f,X与theta之间独立的条件，不知道论文里是否有这个假设？
另外，即便有着个假设，还有P(X|theta)也被消去了，难道这个概率是1吗？。。
感觉theta是一个超参数吧
【 在 arthur503 的大作中提到: 】
: 推导了一下原始的式子，如果要在分子中把theta完全消去的话，应该需要y,f,X与theta之间独立的条件，不知道论文里是否有这个假设？
: 另外，即便有着个假设，还有P(X|theta)也被消去了，难道这个概率是1吗？。。
估计读懂论文并不难， 但是一些实现基本不可能， 比如Sun Jian的实现的multi/scale LBP 到底是怎么弄的， GaussianFace是用的sun jian的feature， 我估计即使不用他们的Gaussian Face性能应该就在96到97之间， 预处理很重要！！！！
【 在 amazingguoHa 的大作中提到: 】
: 上来就是一个没听说过的名词，高斯过程。还用在分类问题上，这个叫我如何是好。
: 第二个公式：
: [upload=2][/upload]
: ...................
恩恩，他确实是基于孙剑的特征做的，只不过在降维的时候没用孙剑的方法，用了klda的变种吧。而且他的训练库比较大，所以能取得这种效果是么
【 在 jasonchi 的大作中提到: 】
: 估计读懂论文并不难， 但是一些实现基本不可能， 比如Sun Jian的实现的multi/scale LBP 到底是怎么弄的， GaussianFace是用的sun jian的feature， 我估计即使不用他们的Gaussian Face性能应该就在96到97之间， 预处理很重要！！！！
:
啊，不好意思回复晚了。我最近也没再看那个文章了，不过你有什么想法可以说出来，聊聊啊.
【 在 byuadjadv 的大作中提到: 】
: 在下也正在读这篇文章，有机会能否交流下？