科学研究において、回帰タスクはしばしば少数の訓練例から高次元の出力を予測する必要に直面します。従来の多出力ガウス過程（Multi-output Gaussian Processes）は低データ領域で優れた性能を発揮しますが、出力次元が高い場合、計算コストが指数的に増加するため適用が困難です。代替手法として「圧縮してから予測する」パイプライン、例えば主成分分析とガウス過程回帰を組み合わせたPCA-GPがよく用いられます。しかし、PCAの基底は再構成誤差を最小化するように最適化されており、予測タスクには必ずしも適していません。
このギャップを埋めるため、Edward T. Stevenson氏ら5名の研究者は、ガウス過程潜在因子回帰（GPLFR）と呼ばれる新しいモデルを提案しました。GPLFRでは、各出力をガウス過程事前分布から得られる低次元潜在状態の線形ガウス復号として表現します。重要な革新点は、復号器の重みを解析的に周辺化することで、圧縮と予測を単一の目的関数に統合し、高次元出力にスケーラブルにしたことです。これにより、従来の二段階アプローチの準最適性を回避できます。
具体的には、GPLFRは低次元の潜在関数がガウス過程に従うと仮定し、各出力次元を潜在関数の線形結合とガウス雑音でモデル化します。復号行列を導入し、ガウス過程の閉形式性質を利用することで、潜在関数と圧縮表現を同時に学習するための周辺尤度を解析的に計算できます。このアプローチは予測精度を向上させるだけでなく、ガウス過程の不確実性定量化能力も維持します。
研究チームは、岩石系太陽系外惑星（rocky exoplanets）の全球気候モデルのエミュレーションにおいてGPLFRの有効性を実証しました。彼らは限られたシミュレーションデータから高解像度の気候場を高速に生成する、初の空間分解エミュレータを構築しました。この成果は、系外惑星の気候研究に強力なツールを提供します。
本論文は2026年6月4日にarXivに提出され、IDは2606.06576です。本文9ページ、付録・参考文献22ページで構成され、関連コードは公開されています。GPLFRの応用は天体物理学に留まらず、気象学や材料科学など、少数サンプルから高次元出力を予測する必要がある多くの科学分野に展開可能です。