---
title: "高斯过程 (Gaussian Process)"
created: 2026-06-17
updated: 2026-06-17
type: concept
tags: [bayesian, stochastic-processes, kernel-methods, gaussian]
sources: [raw/papers/ortega-phd-thesis-2026.md]
confidence: high
---

# 高斯过程 (Gaussian Process)

GP 是 Bayesian 机器学习的**核心非参数模型**——直接在函数空间上定义高斯分布先验。

## 定义

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

- `m(x) = E[f(x)]`：均值函数
- `k(x, x') = Cov(f(x), f(x'))`：协方差/核函数

有限点集上：`f(X) ~ N(m(X), K(X,X))`

## 关键性质

- **非参数**：模型容量随数据增长（无固定参数数量）
- **解析后验**：观察到 (X,y) 后，f(x*) 的后验有封闭解
- **校准不确定性**：预测方差 = 后验方差，天然校准
- **核函数决定一切**：光滑性、周期性等由核编码

## 在深度学习中的应用

- **[[deep-gaussian-process|深度 GP]]**：层次化 GP 组合
- **[[fixed-mean-gaussian-process|FMGP]]**：冻结 DNN 均值 + GP 协方差
- **NTK 极限**：无限宽 NN ~ GP（[[neural-tangent-kernel|NTK]]）
- **校准**：GP 后验提供原则性不确定性

## 参考

- [[deep-gaussian-process|深度 GP]]
- [[fixed-mean-gaussian-process|FMGP]]
- [[neural-tangent-kernel|NTK]]
- [[ortega-phd-thesis|论文]]