基础
热身
目的：找x到y的映射关系。
假设：Ｑ latent functions {f}
f 作为先验，跟x没什么直接关系，x只是作为承载超参数的载体。共有Q个，也就是有Q套超参数。
对于公式（4），x --> f --> (noise) --> y，大概就是这么个关系。
因为noise，当然y是iid。
由公式（3）可见，f也是iid。
一般而言，Q等于多分类的类别数量，P = 1即可（无需one-hot）。
开始
没看错，这么多符号，需要缕一缕，看不懂的概念可以参考以下链接。
Ref: Generic Inference in Latent Gaussian Process Models
(5) (6) (7) 其实跟(3)一回事：
既然多出了变量u，就分解出来看看：
带入已知条件，最后得：
高斯与高斯的联姻，结果还是高斯，就是在说这个。
这里主要是熟悉两个bound，对比下效果，以下是背景。
Inducing variables:u
简单的理解为重要的某些点即可。
两个bound如下，可见后者计算复杂度更低。