Гауссовские процессы используются для реконструкции уравнения состояния тёмной энергии по данным.Гауссовская регрессия процессов — это мощный статистический метод восстановления функции по зашумленным данным без предположения о конкретной параметрической форме. В космологии её часто используют для определения уравнения состояния тёмной энергии — соотношения между давлением и плотностью энергии, которое управляет ускоренным расширением Вселенной, — непосредственно по наблюдениям, таким как расстояния до сверхновых или данные реликтового излучения. В отличие от традиционной подгонки с фиксированной моделью (например, константой или полиномом), гауссовские процессы позволяют данным «говорить самим за себя», обеспечивая гибкую непараметрическую реконструкцию, которая также количественно оценивает неопределённость в каждой точке.
Гауссовские процессы для регрессии были формализованы в 1990-х годах, опираясь на более ранние работы в геостатистике (кригинг) и машинном обучении. Их применение к реконструкции тёмной энергии стало популярным в 2010-х годах, с ключевыми статьями Холскло и других авторов.
Метод рассматривает неизвестную функцию как случайную реализацию гауссовского процесса — совокупности случайных величин, любое конечное подмножество которых имеет совместное гауссовское распределение. Ковариационная функция (ядро) кодирует предположения о гладкости и длине корреляции. По заданным точкам данных процесс на них обусловливается, что даёт апостериорное распределение по функциям. Среднее этого апостериорного распределения даёт наилучшую оценку функции, а дисперсия — доверительные интервалы, которые расширяются в областях с разреженными данными. Гиперпараметры ядра обычно оптимизируются путём максимизации маргинального правдоподобия.
Помимо космологии, гауссовская регрессия процессов используется в робототехнике для обучения управляющих политик, в прогнозировании погоды для пространственной интерполяции и в байесовской оптимизации для настройки гиперпараметров моделей машинного обучения.
Гауссовские процессы являются краеугольным камнем современной байесовской оптимизации, которая используется для настройки параметров магнитов Большого адронного коллайдера.









