Modeli na osnovi Gaussovih procesov (GP) so postali uveljavljeno orodje na področju razvoja sistemov vodenja. Medtem ko je podporna matematična teorija popolnoma v skladu s teorijo Bayesovega učenja, postopki uporabljeni v praksi pogosto uporabljajo grobe približke. V članku prestavljamo nov postopek učenja GP modelov, ki ohranja polno Bayesovo sklepanje z uporabo vzorčenja po pomembnosti (ang. importance sampling). Razviti postopek je pomemben prispevek, ker mogoči uporabo modelov GP v primeru neenakomerno porazdeljenih ali pomanjkljivih učnih podatkov, ima odlične lastnosti konvergence in razmeroma nizko računsko zahtevnost. Ključne prednosti novega postopka smo potrdili s študijami na simuliranih podatkih. Ocenjujemo, da je pomen rezultata dejstvo, da je bil objavljen na ključnem dogodku na področju avtomatskega vodenja v svetu in s tem pomaga pri prepoznavnosti skupine in Instituta "Jožef Stefan" v svetu.
B.03 Referat na mednarodni znanstveni konferenci
COBISS.SI-ID: 28011559