Gaussian process regression is a Bayesian method for inferring profiles based on input data. The technique is increasing in popularity in the fusion community due to its many advantages over traditional fitting techniques including intrinsic uncertainty quantification and robustness to over-fitting. This work investigates the use of a new method, the change-point method, for handling the varying length scales found in different tokamak regimes. The use of the Student's t-distribution for the Bayesian likelihood probability is also investigated and shown to be advantageous in providing good fits in profiles with many outliers. To compare different methods, synthetic data generated from analytic profiles is used to create a database enabling a quantitative statistical comparison of which methods perform the best. Using a full Bayesian approach with the change-point method, Matérn kernel for the prior probability, and Student's t-distribution for the likelihood is shown to give the best results.
ガウス過程回帰は、入力データに基づいてプロファイルを推論するためのベイズ手法である。この手法は、従来のフィッティング手法に対する多くの利点（内在的な不確実性の定量化や過学習への頑健性など）により、核融合コミュニティで人気が高まっている。本研究では、異なるトカマク運転領域で見られる変化する長さスケールを扱うための新しい手法である変化点法の使用を調査する。また、ベイズ尤度にスチューデントのt分布を用いることの利点も調査し、多くの外れ値を含むプロファイルに対して優れたフィッティングを提供できることを示す。異なる手法を比較するために、解析的プロファイルから生成した合成データを用いてデータベースを構築し、どの手法が最も優れた性能を示すかを定量的に統計比較することを可能にする。変化点法をカーネル事前分布に、マタンカーネルを事前確率に、スチューデントのt分布を尤度に用いた完全ベイズアプローチが、最良の結果をもたらすことが示された。