模型选错也不怕！新高斯过程让预测分布校准更准
Predictively Oriented Gaussian Process Posteriors
📖 AI 总结
这篇论文针对高斯过程在实际应用中因核函数与观测模型选择不当而产生模型误设的问题，提出了"面向预测的高斯过程"（PrO-GPs）。作者将预测不确定性作为首要推断目标，为传统高斯过程提供了一种更稳健的替代方案。由于非参数模型下PrO后验的直接计算难以实现，研究推导出一种简化形式并设计了实用的采样方案，以保证计算效率。在合成数据与真实数据上的实验表明，当模型存在误设时，PrO-GPs能够给出校准更好的预测分布。该工作的意义在于将推断重心从参数后验转向预测后验，为提升高斯过程在复杂或设定不完善场景下的可靠性提供了新思路。
🔑 关键词速览
| 高斯过程 (Gaussian Processes, GPs) | 一种用于建模函数分布的非参数贝叶斯方法，通过核函数定义函数先验，广泛用于回归和分类中的不确定性量化。 |
| 预测导向高斯过程 (Predictively Oriented GPs, PrO-GPs) | 本文提出的新方法，将预测不确定性作为主要推断目标，旨在模型错误设定下提供更稳健的预测分布。 |
| 模型错误设定 (Model Misspecification) | 指所选模型无法准确反映真实数据生成过程的情况，通常由于设计决策不当（如核函数选择错误）导致。 |
| 预测不确定性 (Predictive Uncertainty) | 模型对未知数据预测结果的不确定性度量，包括认知不确定性和偶然不确定性，是贝叶斯推断的核心。 |
| 后验分布 (Posterior Distribution) | 在贝叶斯推断中，给定观测数据后模型参数或预测值的更新分布，结合了先验知识和数据信息。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅