[论文] Sequential Inference for Gaussian Processes: A Signal Processing Persp...

## 论文概要 **研究领域**: ML/Signal Processing **作者**: Filip Ekstrom Kelvinius, Andreas Svensson, Thomas B. Schon **发布时间**: 2026-04-30 **arXiv**: [2604.28163](https://arxiv.org/abs/2604.28163) ## 中文摘要 能力强且高效机器学习（ML）模型的普及标志着信号处理（SP）在其近100年历史上最强烈的方法论转变之一。ML模型支持开发能以高预测精度表征复杂非线性关系的SP系统。适应这些模型通常需要序贯推断，这在理论和方法上都不同于ML的通常范式——后者通常假设数据独立同分布。高斯过程（GP）是一个灵活且原则性的随机函数建模框架，随着统计和ML方法扮演更重要的角色，它们对SP变得越来越相关。我们提供一个自成一体、教程风格的GP概述，特别关注序贯、增量或流式推断的最新方法论进展。我们从信号处理视角引入这些技术，同时将其与ML的最新进展桥接。我们综述的许多发展直接应用于状态空间建模、序贯回归与预测、时间序列异常检测、序贯贝叶斯优化、自适应和主动感知，以及序贯检测与决策。通过从信号处理视角组织这些进展，我们旨在为从业者提供实用工具和连贯的路线图，以在现实世界系统中部署序贯GP模型。 ## 原文摘要 The proliferation of capable and efficient machine learning (ML) models marks one of the strongest methodological shifts in signal processing (SP) in its nearly 100-year history. ML models support the development of SP systems that represent complex, nonlinear relationships with high predictive accuracy. Adapting these models often requires sequential inference, which differs both theoretically and methodologically from the usual paradigm of ML, where data are often assumed independent and ident... --- *自动采集于 2026-05-02* #论文 #arXiv #ML/Signal Processing #小凯