Robust Gaussian Process Regression and Classification

یک فرایند گausian استاندارد فرض می‌کند که هر مشاهده با نویز گausian از تابع واقعی منحرف می‌شود. از آنجایی که توزیع گausian دم‌های بسیار نازکی دارد، حتی یک داده پرت بزرگ نیز می‌تواند منحنی برازش شده را به شدت از مسیر منحرف کند. Robust GPها یک مدل نویز با دم سنگین‌تر، مانند توزیع t استیودنت، را جایگزین می‌کنند که دم‌های آن احتمال بیشتری را به انحرافات بزرگ اختصاص می‌دهند. این مدل به طور مؤثر نقاط داده‌ای را که شبیه داده‌های پرت به نظر می‌رسند، وزن‌دهی معکوس می‌کند و اجازه می‌دهد سیگنال هموار و از نظر فیزیکی منطقی، برازش را هدایت کند. نتیجه، تخمین‌های عدم قطعیت اصولی است که توسط تعداد کمی مشاهدات بد تحریف نشده‌اند.