这是一篇 49 页长的论文，因此以下观察仅基于粗略阅读。

1. 优化是为了找到机器学习模型成本函数的最佳参数值。
2. 假设参数来自统计分布，而不是找到参数的固定值，任务是找到该统计分布的性质/形状。
3. 贝叶斯定理告诉你，如果你有先验的信念和证据（数据），你可以去后验。
4. 他们首先假设参数的先验分布是高斯分布。任务是然后找到后验。
5. 由于有多个参数而不是单个变量，因此出现了高斯过程而不是单个高斯分布随机变量。
6. 贝叶斯定理在从先验到后验时出现。使用诸如蒙特卡洛采样之类的采样技术来解决优化问题。阅读有关 MCMC 采样方法的信息将帮助您了解联系。