谷歌研究团队开源了 AutoBNN，一个基于 JAX 的软件包，它将传统高斯过程的可解释性与贝叶斯神经网络的扩展性相结合，可自动发现可解释的时间序列预测模型，并提供高质量的不确定性估计，适用于大规模数据集。
详细分析
时间序列预测是气象、交通、经济等领域的共性需求，贝叶斯方法因其能提供不确定性量化而备受青睐。传统上，高斯过程（GP）和结构时间序列模型是主流工具，例如在 Mauna Loa 二氧化碳数据集上的经典应用。然而，GP 依赖领域专家手工设计核函数，且训练复杂度随数据量呈立方级增长，难以扩展到大规模数据；神经网络虽可扩展，却缺乏可解释性和可靠的置信区间。AutoBNN 的核心创新在于用贝叶斯神经网络（BNN）替代 GP，同时保留组合核结构——即通过加法、乘法、变点等算子组合线性、周期、Matérn 等基础核，从而在保持模型可解释性的同时获得 BNN 的优势。具体而言，BNN 的训练复杂度对固定宽度近似线性于数据量，更适合 GPU/TPU 加速，且易于与深度 BNN 结合形成混合架构，以发现高维协变量的贡献。这一工作建立在过去十年关于学习型 GP 核结构的研究基础上，并利用了 BNN 在无限宽度下收敛于 GP 的理论对应关系，使得宽度远小于无限时仍能保持与 GP 的近似。从行业影响看，AutoBNN 降低了时间序列预测的门槛，使领域专家无需精通 GP 即可构建合理先验，同时为大规模工业级预测提供了可扩展方案。在竞争格局上，它填补了传统统计方法与纯黑箱深度学习之间的空白，有望在金融风控、供应链预测、气候建模等对可解释性和不确定性要求较高的场景中落地。开源策略也有助于社区生态建设，推动概率预测工具的普及。
AutoBNN 的巧妙之处在于“鱼与熊掌兼得”：用 BNN 的工程优势化解 GP 的规模瓶颈，又用组合核结构守住可解释性底线。这种“结构先验+神经近似”的思路，或许会成为概率预测领域的新范式。