เปรียบเทียบวิธี

	Gaussian Process แบบเรียนรู้เชิงรุก (Active Learning Gaussian Process)	กระบวนการเกาส์เซียน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1992	2006 (book); roots in Kriging, 1951)
ผู้ริเริ่ม	MacKay, D. J. C.	Rasmussen, C. E. & Williams, C. K. I.
ประเภท	Bayesian active learning	Probabilistic non-parametric model
แหล่งต้นตำรับ	MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604.	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
ชื่อเรียกอื่น	GP active learning, Gaussian process active learning, GP-AL, Bayesian active learning with GP	GP, Gaussian Process Regression, GPR, Kriging
ที่เกี่ยวข้อง	4	3
สรุป	Active Learning Gaussian Process (GP-AL) combines a Gaussian process probabilistic model with an active learning query strategy, using the GP's posterior uncertainty to select the most informative unlabeled examples for labeling. This iterative approach minimizes labeling effort while maximizing predictive accuracy, making it ideal when labeled data is scarce or expensive to obtain.	A Gaussian Process (GP) is a non-parametric, fully probabilistic machine learning model that places a prior distribution directly over functions. Rather than predicting a single value, it returns a predictive mean and a calibrated uncertainty estimate at every test point, making it especially valuable for regression on small to medium datasets and for Bayesian optimization tasks.