只在无法计算处学习：高斯过程后验的结构化修正

研究者提出一种结构化后验修正框架，将可处理的高斯参考与生成式学习的数据驱动修正结合，用于物理信息高斯过程。该方法先做均值修正与协方差校准，再由扩散模型在低维子空间中学习针对性修正，其余部分保持高斯分布。在三个科学推理任务上，该修正能恢复隐藏模态、改善样本结构并降低相对高斯参考的预测误差。