什么是 高斯过程潜变量模型（GPLVM）？
高斯过程潜变量模型（GPLVM）是一种概率非线性降维模型，它把低维坐标视为高斯过程映射的潜在输入，并通过这些随机函数生成观测变量。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
从潜在坐标生成观测维度
对包含 n 行的观测矩阵 Y，GPLVM 为每行分配一个低维坐标 x_i。常见模型把每个观测特征视为独立 GP 函数，但共享同一个潜在 Kernel Matrix。积分掉这些函数后，边缘似然会衡量该潜在几何能否解释观测之间的协方差。
Lawrence 的 GPLVM 形式在线性 Kernel 下恢复概率 PCA，非线性 Kernel 则提供类似 Kernel PCA 的概率生成方案。这种联系不代表任意 GPLVM 坐标都能解释为主成分。
在点估计与变分潜后验之间选择
原始 GPLVM 把潜坐标作为参数直接优化。Bayesian 或 Variational GPLVM 为坐标设置先验并近似其后验，常结合诱导变量和小批量优化。后者可以表达坐标不确定性，却会增加变分假设和优化选择。
潜坐标通常存在旋转、反射，有时还包括尺度上的不可辨识性。比较模型时应关注成对结构或下游预测，不能只根据某条轴的正负方向给它附加语义。
验证重构、邻域与部署推断路径
较高边缘似然仍可能伴随邻域扭曲、坐标不稳定或样本外推断较差。应检查留出预测密度、重构诊断、邻域保持、具体下游任务与不同随机种子的稳定性，并把 Kernel、潜在维度、预处理和停止规则放进模型选择协议。
生产环境还要明确新观测如何获得坐标、缺失特征如何处理，以及时间或类别结构是否应进入模型。没有标签、不确定性分析和外部验证时，二维图上的分离不能证明真实 Cluster 存在。
主要特点
- 把低维坐标视为未知的 GP 输入
- 通过概率生成目标学习潜在几何
- 在线性 Kernel 下恢复概率 PCA
- 支持非线性 Kernel 与潜坐标不确定性扩展
- 存在旋转、反射与尺度不可辨识性
- 需要为新观测定义显式推断路径
常见用途
- 使用概率生成模型进行非线性可视化
- 发现多变量测量中的低维结构
- 在明确似然假设下重构缺失数据
- 通过时间扩展建模潜在轨迹
- 与 PCA 和流形方法比较不确定性感知降维
示例
Loading code...常见问题
GPLVM 与监督高斯过程有什么区别？
监督 GP 观测输入输出对并推断函数；GPLVM 只观测高维输出，把低维输入视为未知变量，再通过 GP 边缘似然或变分近似学习这些坐标。
GPLVM 与 PCA 有什么关系？
在线性 Kernel 和相应假设下，GPLVM 会恢复概率 PCA。非线性 Kernel 改变协方差几何，可以表达弯曲结构，但学习到的轴不再具有标准 PCA 主成分按方差排序的解释。
GPLVM 能直接转换一个新观测吗？
默认不能。新观测需要通过优化或后验推断获得潜坐标。Back Constraint、摊销 Recognition Model 等扩展可以提供显式映射，但它们会增加需要单独评测的假设。
GPLVM 的潜在坐标轴为什么不唯一？
潜坐标的多种旋转、反射、置换或尺度可能产生相同或近似的 Kernel Matrix 与似然。除非额外约束确立语义，否则应解释稳定关系和预测行为，而不是某条任意坐标轴的方向。
应该如何评测 GPLVM Embedding？
应把留出预测密度与重构检查、邻域保持、多随机种子稳定性、任务相关下游指标和不确定性结合起来。视觉上分离的二维图本身不能证明聚类、因果关系或泛化能力。