เปรียบเทียบวิธี

	การเรียนรู้เมตริกแบบเบย์	กระบวนการเกาส์เซียน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s	2006 (book); roots in Kriging, 1951)
ผู้ริเริ่ม	Multiple (Xing et al. 2002; Weinberger & Saul 2009; probabilistic extensions by various authors ~2010s)	Rasmussen, C. E. & Williams, C. K. I.
ประเภท	Probabilistic distance metric learning	Probabilistic non-parametric model
แหล่งต้นตำรับ	Weinberger, K. Q., & Saul, L. K. (2009). Distance metric learning for large margin nearest neighbor classification. Journal of Machine Learning Research, 10, 207–244.	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
ชื่อเรียกอื่น	BML, probabilistic metric learning, Bayesian distance metric learning, Bayesian similarity learning	GP, Gaussian Process Regression, GPR, Kriging
ที่เกี่ยวข้อง	5	3
สรุป	Bayesian Metric Learning frames the problem of learning a task-adapted distance function as probabilistic inference. Rather than producing a single optimal metric matrix, it places a prior over metrics, updates it with pairwise similarity or label constraints, and yields a posterior distribution that quantifies uncertainty about which metric best captures the true structure of the data.	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.