เปรียบเทียบวิธี

	Ensemble Gaussian Process	Bayesian Gaussian Process
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000–2015	1978–2006
ผู้ริเริ่ม	Tresp, V. (committee formulation); Deisenroth, M. P. & Ng, J. W. (distributed formulation)	O'Hagan, A.; Neal, R. M.; Rasmussen, C. E. & Williams, C. K. I.
ประเภท	Ensemble of probabilistic surrogate models	Probabilistic kernel model
แหล่งต้นตำรับ	Tresp, V. (2000). A Bayesian Committee Machine. Neural Computation, 12(11), 2719–2741.	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
ชื่อเรียกอื่น	Gaussian Process ensemble, GP committee machine, distributed GP, mixture of GPs	GP regression, GPR, Gaussian process model, GP classifier
ที่เกี่ยวข้อง	4	3
สรุป	Ensemble Gaussian Process trains multiple independent GP experts on data subsets or overlapping regions, then combines their posterior predictions — means and variances — into a single probabilistic forecast. This approach retains the calibrated uncertainty estimates of standard GPs while overcoming their O(n³) cubic cost bottleneck, making probabilistic regression practical on datasets with thousands to millions of observations.	A Bayesian Gaussian Process (GP) places a probability distribution directly over functions, using a kernel to encode similarity between inputs. After observing data, Bayes' rule converts this prior into a posterior that yields not just point predictions but calibrated uncertainty estimates at every new input — making it one of the most principled probabilistic models in machine learning.