---
title: "固定均值高斯过程 (Fixed-Mean Gaussian Process)"
created: 2026-06-17
updated: 2026-06-17
type: concept
tags: [bayesian-deep-learning, uncertainty, gaussian-process, post-hoc]
sources: [raw/papers/ortega-phd-thesis-2026.md]
confidence: high
---

# 固定均值高斯过程 (Fixed-Mean Gaussian Process)

FMGP 是 [[ortega-phd-thesis|Ortega (2026)]] 提出的**轻量级后处理不确定性校准方法**——在冻结的预训练网络上附加 GP 协方差结构。

## 核心思想

将预训练网络视为 GP 的**固定均值函数**：

```
f(x) ~ GP(μ_pretrained(x), k(x, x'))
```

- 均值 μ 由预训练网络提供（冻结，不再训练）
- 协方差 k 由 GP 核参数化（可学习）

## 优势

- **极简**：仅需学习核参数，预训练网络完全不动
- **校准**：GP 提供原则性的预测不确定性
- **可扩展**：比完全 Bayesian 方法轻量得多
- **兼容性**：可在任意预训练网络上附加

## 与 VaLLA 的互补

| 方法 | 校准来源 | 训练 |
|------|---------|------|
| [[variational-linearized-laplace-approximation|VaLLA]] | 权重后验 | 变分学习 Σ |
| FMGP | GP 协方差 | 学习核参数 |

两者提供互补的不确定性量化策略。

## 参考

- [[variational-linearized-laplace-approximation|VaLLA]]
- [[bayesian-deep-learning|Bayesian 深度学习]]
- [[gaussian-process|高斯过程]]
- [[ortega-phd-thesis|论文]]