Ensemble-Conditional Gaussian Processes (Ens-CGP): Representation, Geometry, and Inference
集成条件高斯过程：表示、几何与推断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、条件高斯律与集成滤波的表示与推断理论，未涉及因果识别、面板、离散选择、时间序列或金融计量等具体领域，故不选任何细分方向。
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…
集成条件高斯过程：表示、几何与推断
- 研究问题
- 摘要称，本文要回答的是：如何把基于集成的推断统一到条件高斯律这一表示对象上，并厘清概率、变分与集成视角之间的关系。摘要未说明具体实证问题或应用场景。
- 方法与思路
- 作者提出 Ens-CGP 这一有限维构造：先由高斯过程经条件化得到条件高斯过程（CGP），再把经验集成矩当作（可能低秩的）高斯先验并做精确条件化，从而把表示（GP→CGP→Ens-CGP）与计算（Kalman 滤波、EnKF 变体、迭代集成方案）分开。
- 材料陈述的贡献
- 摘要称，该框架把条件高斯律确立为底层表示对象，而把滤波视为一种计算实现；并指出 CGP 在线性高斯设定下给出完整后验，可与严格凸二次规划（MAP）、RKHS 正则化回归及经典正则化等价，从而连接集成先验与既有推断基础。
- 阅读关注点
- 阅读全文时应核对：Ens-CGP 的精确条件化在何种假设下成立、低秩近似的误差与代价、与 EnKF 各变体的具体对应关系，以及摘要所称的等价性是否有正式命题与证明支撑。
- 阅读边界
- 仅凭摘要无法判断定理条件、收敛性或数值表现，也未说明任何数据、实验或应用；摘要未给出可复现细节。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
We formulate Ensemble-Conditional Gaussian Processes (Ens-CGP), a finite-dimensional synthesis that centers ensemble-based inference on the conditional Gaussian law. Conditional Gaussian processes (CGP) arise directly from Gaussian processes under conditioning and, in linear-Gaussian settings, define the full posterior distribution for a Gaussian prior and linear observations. Classical Kalman filtering is a recursive algorithm that computes this same conditional law under dynamical assumptions; the conditional Gaussian law itself is therefore the underlying representational object, while the filter is one computational realization. In this sense, CGP provides the probabilistic foundation for Kalman-type methods as well as equivalent formulations as a strictly convex quadratic program (MAP estimation), RKHS-regularized regression, and classical regularization. Ens-CGP is the ensemble instantiation of this object, obtained by treating empirical ensemble moments as a (possibly low-rank) Gaussian prior and performing exact conditioning. By separating representation (GP -> CGP -> Ens-CGP) from computation (Kalman filters, EnKF variants, and iterative ensemble schemes), the framework links an earlier-established representational foundation for inference to ensemble-derived priors and clarifies the relationships among probabilistic, variational, and ensemble perspectives.