某机构科学家James Hensman在牛津机器学习暑期学校（OxML）上进行了关于高斯过程的讲座。OxML是一个为期两周的虚拟活动，旨在培养机器学习人才，以应对联合国可持续发展目标（SDG）相关的挑战。Hensman的讲座聚焦于高斯过程这一机器学习方法，解释了其核心原理并探讨了在现实问题中的应用。
高斯过程的原理
高斯过程是一种用于量化预测置信度的机器学习方法。Hensman将其描述为一种处理函数关系的方式，例如给定一个输入（如图像）并得到一个输出（如图像标签）。与传统方法使用单一函数不同，高斯过程构建了一个能够合理解释数据的“ plausible function space（ plausible 函数空间）”。
这种方法的核心优势在于不确定性量化。当使用高斯过程对新图像进行标记或预测新模拟的结果时，模型不仅能给出预测值，还能表达出对该预测的置信度。这使得决策者能够了解预测的可靠性，而不是仅仅得到一个孤立的数值。
高斯过程在关键领域的应用
讲座强调了高斯过程在多个领域的应用潜力，特别是与健康相关的SDG目标：
- 医疗保健：在重症监护室，可用于预测患者的血氧等指标；医生可借助它评估使用特定药物的潜在结果；放射科医生则可以利用它来量化图像诊断的可能性。
- 供应链优化：Hensman介绍了其在某机构供应链优化技术组织中的工作。在预测库存流动时，考虑不确定性至关重要。基于高斯过程的方法能提供更清晰的概率性预测，例如，不是简单地说“明天将有X百万立方英尺的货物到达”，而是预测“超过X百万立方英尺的概率是95%，超过Y百万的概率是5%”。这种概率性输出对于库存管理和容量控制更具实用价值。
技术传播与人才培养
Hensman的讲座旨在让学员理解高斯过程的直观性，并鼓励他们在实际问题中思考应用这一方法的可能性。OxML的组织者AI for Global Goals致力于拓宽AI人才基础，特别是关注地理、性别和行业中代表性不足的群体，并推动AI技术与联合国可持续发展目标的结合。该暑期学校涵盖了计算机视觉、自然语言处理等特定技术领域，并专门设置环节探讨这些技术如何与SDG中的具体问题（如气候行动、可持续城市）相联系。FINISHED
