高斯过程
一种非参数贝叶斯统计方法，通过定义函数值之间的协方差结构对函数分布进行建模，广泛用于不确定性量化、贝叶斯优化和时间序列预测
时间轴 (近 90 天)
在高斯过程建模中，核函数编码了目标函数的光滑性、尺度等先验知识。
随机初始化的宽度为 m 的神经网络，随着 m 趋于无穷，收敛到高斯过程。
当似然函数为非高斯（如计数数据、二值数据或重尾分布）时，即便先验是高斯过程，潜在场的后验分布也变得解析上不可处理
完整高斯过程中n个观测点的联合协方差矩阵规模为n×n，直接计算的时间复杂度为O(n³)，内存占用为O(n²)
该研究证明：对高斯过程先验同时在线性等式观测和有限维不等式事件上进行联合条件化，等价于在解空间的Borel测度意义下进行序贯条件化
高斯过程（GP）求解器返回的是后验分布，能够量化解的不确定性，而不是像传统数值方法那样只给出点估计
现有GP求解器只能在等式信息（PDE残差、边界数据、观测测量）上进行条件化处理，无法直接施加不等式约束
贝叶斯优化是一种针对昂贵黑盒函数的序贯实验设计方法，通常使用高斯过程作为概率代理模型，长期被视为实验设计领域的强基线
相比提示词引导，微调效果更稳定、更省token，但需要高质量样本数据、计算资源和技术门槛
全部知识事实 (9)
在高斯过程建模中，核函数编码了目标函数的光滑性、尺度等先验知识。
50%待验证随机初始化的宽度为 m 的神经网络，随着 m 趋于无穷，收敛到高斯过程。
50%待验证当似然函数为非高斯（如计数数据、二值数据或重尾分布）时，即便先验是高斯过程，潜在场的后验分布也变得解析上不可处理
50%待验证完整高斯过程中n个观测点的联合协方差矩阵规模为n×n，直接计算的时间复杂度为O(n³)，内存占用为O(n²)
50%待验证该研究证明：对高斯过程先验同时在线性等式观测和有限维不等式事件上进行联合条件化，等价于在解空间的Borel测度意义下进行序贯条件化
50%待验证高斯过程（GP）求解器返回的是后验分布，能够量化解的不确定性，而不是像传统数值方法那样只给出点估计
50%待验证现有GP求解器只能在等式信息（PDE残差、边界数据、观测测量）上进行条件化处理，无法直接施加不等式约束
50%待验证贝叶斯优化是一种针对昂贵黑盒函数的序贯实验设计方法，通常使用高斯过程作为概率代理模型，长期被视为实验设计领域的强基线
50%待验证相比提示词引导，微调效果更稳定、更省token，但需要高质量样本数据、计算资源和技术门槛
50%