高斯过程后验修正框架提出

Tobias Weber、Carla Sagebiel 与 Philipp Hennig 提出一种结构化后验修正框架，把可处理的高斯参考与生成式学习的数据驱动修正结合起来，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。研究者在三个科学推理任务上报告，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。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。