谷歌发布开源工具AutoBNN，将高斯过程的组合核结构与贝叶斯神经网络的灵活扩展性结合，自动发现可解释的时序预测模型并输出高质量不确定性估计，适用于大规模数据集。
关键要点
- AutoBNN基于组合核结构（如Linear、Periodic等基核的组合），保持传统概率方法可解释性的同时，用贝叶斯神经网络替代高斯过程以获得更好的计算效率和硬件加速。
- 训练复杂度从高斯过程的立方级降至近线性，且易于在GPU/TPU上部署，还能与深度学习模块混合使用处理高维特征。
- 通过有限宽度神经网络逼近高斯过程核函数（如Matern、Periodic），在保持预测准确性的同时大幅降低计算成本。
AutoBNN降低了时序预测门槛，尤其适合需要可解释性和不确定性量化的场景（如金融、气象），同时为大规模工业应用提供了高效方案。