本文提出了一种新的多保真度训练方法，通过结合不同保真度的数据，改进线性回归模型的参数估计。在稀缺数据环境下，该方法表现出更低的模型方差和期望误差。此外，研究扩展了深度高斯过程，应用于生物制造和偏微分方程问题，展示了其有效性和鲁棒性。多保真度代理模型框架通过聚合多源数据，显著提高了模型的准确性。

该研究使用神经操作变分推断（NOVI）来提升深度高斯过程的性能，解决了生成分布和真实后验之间的正则化 Stein 差异问题。实验证明该方法在各种数据集上表现出卓越性能，特别是在 CIFAR10 数据集上实现了 93.56％ 的分类准确性。