样条=高斯过程最优估计器！无限维逆问题统一框架，覆盖分数布朗运动，一篇看懂！
Generalized Splines and Gaussian Processes
📖 AI 总结
该文探讨了广义样条与高斯过程之间的深层数学联系。作者证明，在有限维线性逆问题中，高斯变量下的最小均方误差估计等价于正则化最小二乘拟合，这一结论可推广至无限维空间。文中引入白化/正则化算子L，其连续延拓定义了核心的本征希尔伯特空间，为广义样条作为线性回归器与核空间上的广义高斯过程建立了统一框架。该理论覆盖了Kailath等人发展的创新方法和再生核希尔伯特空间方法，并阐明了分数样条与Mandelbrot分数布朗运动之间的最优估计对应关系，同时适用于一般贝叶斯方法求解无限维逆问题。这一工作显著拓展了经典函数概念至广义函数范畴，为统计估计理论提供了更具普遍性的数学基础。
🔑 关键词速览
| 广义样条 (Generalized Splines) | 一种扩展的样条函数，用于无限维空间中的线性回归，作为传统样条的推广。 |
| 广义高斯过程 (Generalized Gaussian Processes) | 定义在核空间上的高斯过程，是高斯随机向量在无限维情况下的对应物。 |
| 核空间 (Nuclear Space) | 一种特殊的拓扑向量空间，其拓扑由可数族半范数定义，且具有核性质，常用于分布理论。 |
| 白化/正则化算子 (Whitening/Regularization Operator) | 一个线性算子，用于将信号变换为白噪声或施加正则化，其连续扩展定义原生希尔伯特空间。 |
| 再生核希尔伯特空间 (Reproducing Kernel Hilbert Space) | 一种具有再生核的希尔伯特空间，其核函数具有再生性质，广泛用于统计学习和函数估计。 |
📱 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