ガウス過程回帰 — RBFカーネルと95%信頼区間

ベイズ最適化：機械学習のハイパーパラメータ探索（学習率、層数、正則化係数など）は、1回の評価に数時間〜数日かかることがあります。GPで予測平均と不確かさを推定し、獲得関数で次に試すべき点を決めることで、ランダム探索やグリッドサーチに比べて圧倒的に少ない試行回数で最良点に到達できます。AutoML、SigOpt、Optuna 等のツールに広く実装されています。

材料設計・実験計画：新材料の合成条件（温度、組成、時間など）を実験で探索するとき、1回の実験コストが非常に高いケースが多いです。GPベースのベイズ最適化を使うと、過去の実験結果から「次に試すべき有望な条件」を提案でき、実験回数を大幅に削減できます。電池材料、触媒、合金開発、創薬で実用化が進んでいます。

シミュレーションの代理モデル（surrogate model）：CFD や FEM の重いシミュレーションを多数回実行する代わりに、少数の計算結果から GP を学習させて代理モデルとして使います。設計最適化、感度解析、不確かさ伝播の解析で、計算コストを数桁削減できます。航空機翼の空力設計、自動車衝突解析のロバスト最適化などで活用されます。

地球統計学（クリギング）：GPの地理空間版である「クリギング」は、鉱床評価、土壌汚染マップ、気象データの空間補間で古くから使われています。少数の測定地点から、未測定地点の値とその不確かさを推定でき、追加サンプリング地点の選定にも役立ちます。実は GP は地球統計学の世界では1960年代から「Kriging」として知られていました。

最も多い誤解は、「ハイパーパラメータ（l, σ_f, σ_n）は適当でいい」と思ってしまうことです。実際にはこれらの値で予測の質が決定的に変わります。シミュレーターで l スライダーを 0.1 と 5.0 の両極端に動かしてみてください。前者は観測ノイズに完全に過適合し、後者は真の振動を全く捉えられません。実務では必ず対数周辺尤度を最大化する自動チューニングを行うか、最低でも交差検証で l を選びましょう。「目で見て良さそうな値」は危険です。

次に多いのが、GPの予測区間を「予測値が必ず95%の確率でそこに入る」と読み違えることです。これは「現在のモデル（カーネル選択＋ハイパーパラメータ）の下での確率」であり、モデルが現実と合っていなければ意味を持ちません。例えば真関数が周期的なのに RBF カーネルを使うと、信頼区間は「滑らかな関数の中での不確かさ」しか表さず、構造的なズレを見逃します。区間幅だけでなく「予測平均が真関数からどれだけずれるか」を別途検証することが重要です。

最後に、「観測点を増やせば必ず精度が上がる」とは限らない点に注意してください。N が大きくなるとカーネル行列の条件数が悪化し、Cholesky 分解で数値的不安定が起こりやすくなります。実装では対角に小さなジッター（10⁻⁶ 程度）を加えて安定化させます。また計算量も O(N³) で増えるため、N が数千を超える場合はスパース GP や誘導点法を検討する必要があります。シミュレーターでは N=30 が上限ですが、実用では「N を増やすこと」と「カーネル選択を見直すこと」のどちらが効果的かを常に天秤にかけましょう。