PrO-GPs
一种以预测不确定性为核心推断目标的高斯过程变体，通过反转标准GP的推断优先级，在模型错误设定时仍能提供稳健的预测区间
时间轴 (近 90 天)
一篇arXiv论文（arXiv:2610.03201）提出了Predictively Oriented Gaussian Processes（PrO-GPs，预测导向的高斯过程）
PrO-GPs将预测不确定性直接作为主要的推断目标，而非先在参数或函数空间上建立后验
以预测为中心的视角使PrO-GPs在面对模型错误设定时更加稳健
论文坦言，对于非参数模型而言，直接计算PrO后验是难以处理的（intractable）
研究者推导出一个简化形式（reduced formulation）并设计了一套实用的采样方案（practical sampling scheme）来近似计算PrO后验
标准GP存在解析解得益于高斯分布在线性运算下的封闭性（共轭结构），而PrO-GPs的预测导向目标打破了这一共轭结构
论文通过合成数据与真实数据两类实验验证PrO-GPs的有效性
实验结果显示在模型错误设定条件下，PrO-GPs产生的预测分布比标准GP方法校准得更好（better calibrated）
PrO-GPs作为新发布的预印本，其在高维问题、大规模数据集上的可扩展性及与其他鲁棒GP变体的系统对比仍有待进一步验证
全部知识事实 (9)
PrO-GPs作为新发布的预印本，其在高维问题、大规模数据集上的可扩展性及与其他鲁棒GP变体的系统对比仍有待进一步验证
50%待验证PrO-GPs将预测不确定性直接作为主要的推断目标，而非先在参数或函数空间上建立后验
50%待验证以预测为中心的视角使PrO-GPs在面对模型错误设定时更加稳健
50%待验证论文坦言，对于非参数模型而言，直接计算PrO后验是难以处理的（intractable）
50%待验证研究者推导出一个简化形式（reduced formulation）并设计了一套实用的采样方案（practical sampling scheme）来近似计算PrO后验
50%待验证标准GP存在解析解得益于高斯分布在线性运算下的封闭性（共轭结构），而PrO-GPs的预测导向目标打破了这一共轭结构
50%待验证论文通过合成数据与真实数据两类实验验证PrO-GPs的有效性
50%待验证实验结果显示在模型错误设定条件下，PrO-GPs产生的预测分布比标准GP方法校准得更好（better calibrated）
50%待验证一篇arXiv论文（arXiv:2610.03201）提出了Predictively Oriented Gaussian Processes（PrO-GPs，预测导向的高斯过程）
50%