#Gaussian Process

arXiv 上这篇论文讲怎么在状态无界的多人随机博弈里学 Nash 均衡，用单条轨迹加 GP 建模，理论证明和数值实验都有，做博弈论强化学习的可以看看。

arXiv 上一篇把高斯过程集成和神经网络残差学习组合起来做大地电磁反演的论文，还附不确定性度量，做地球物理反演的可以看看。

做回归或不确定性量化的人可以看看：标准 GP 一旦 kernel 选错就崩，PrO-GPs 直接优化预测校准，实验显示误设下表现更稳。

用摊销结构化变分推断改进 GP 隐变量模型，让流形的不确定性估计更准，做降维和 GP 推理的可以看看这篇论文。

这篇论文用张量程序证明了随机神经网络的高斯过程极限误差随宽度平方根倒数衰减，还覆盖了Transformer，想细看理论可以读。