Wasserstein-type Gaussian Process Regressions for Input Measurement Uncertainty
基于 Wasserstein 型高斯过程回归的输入测量不确定性建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论的是高斯过程回归在输入测量误差下的核构造与不确定性量化，属于统计机器学习方法，未涉及所给因果推断、面板、时间序列、资产定价等任一领域细分的直接文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于 Wasserstein 型高斯过程回归的输入测量不确定性建模
- 研究问题
- 摘要称，标准高斯过程回归假设协变量无测量误差，当输入带有测量误差时，这一 errors-in-variables 设定会导致后验区间过窄与决策偏误；论文研究在此情形下如何进行高斯过程回归。
- 方法与思路
- 作者提出把每个含噪输入表示为概率测度，用这些测度之间的 Wasserstein 距离定义协方差，并据此构造确定性的投影 Wasserstein ARD（PWA）核，其一维分量有闭式表达，乘积结构给出定义在分布上的可扩展正定核。
- 材料陈述的贡献
- 摘要称，与潜变量输入的高斯过程模型不同，基于 PWA 的高斯过程无需引入不可观测协变量或蒙特卡洛投影即可处理输入噪声，使不确定性量化更透明、更稳健。
- 阅读关注点
- 应核对：Wasserstein 距离下协方差的正定性条件与证明；PWA 核闭式表达的具体形式与 ARD 维度选择；与潜变量 GP 等基准在偏差、区间覆盖率和计算成本上的比较设置；是否给出可复现实验与真实数据应用。
- 阅读边界
- 仅凭摘要无法判断核的正定性证明是否完整、有限样本表现如何、计算可扩展性的实际程度，以及是否优于既有方法；摘要未说明具体数据、数值结果与识别假设。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Gaussian process (GP) regression is widely used for uncertainty quantification, yet the standard formulation assumes noise-free covariates. When inputs are measured with error, this errors-in-variables (EIV) setting can lead to optimistically narrow posterior intervals and biased decisions. We study GP regression under input measurement uncertainty by representing each noisy input as a probability measure and defining covariance through Wasserstein distances between these measures. Building on this perspective, we instantiate a deterministic projected Wasserstein ARD (PWA) kernel whose one-dimensional components admit closed-form expressions and whose product structure yields a scalable, positive-definite kernel on distributions. Unlike latent-input GP models, PWA-based GPs (\PWAGPs) handle input noise without introducing unobserved covariates or Monte Carlo projections, making uncertainty quantification more transparent and robust.