面向预测的 Gaussian Process 后验

arXiv:2610.03201v1 公告类型：cross 摘要：Gaussian Processes（GP）是对函数关系进行建模和量化不确定性的强大工具。然而，它们要求实践者做出多项设计决策，例如选择核函数和观测模型。次优选择可能产生设定错误的模型，无法捕捉潜在的数据生成过程。我们提出 Predictively Oriented Gaussian Processes（PrO-GPs），将预测不确定性作为主要推断目标，为标准 GP 提供一种稳健的替代方案。尽管对于非参数模型而言，直接计算 PrO 后验在计算上是不可行的，但我们推导出一种简化形式和实用的采样方案，以实现高效计算。通过合成数据和真实数据实验，我们表明，在模型设定错误的情况下，与标准 GP 方法相比，PrO-GPs 能够产生校准性更好的预测分布。