由于具有出色的表征能力，深度神经网络（DNN）被用作许多任务的分类器。然而，它们在现实世界中不那么鲁棒，这不仅体现在无法捕捉数据的不确定性，同时还因为在向外扩展时过于自信，没有注意到领域的变化。另一方面，具有RBF核的高斯过程（GP）具有更好的校准不确定性，并且不会过于自信地从训练集中的数据向外扩展。然而，高斯过程的表征能力很差，在复杂领域的表现不如深度神经网络。在论文《Adversarial Examples, Uncertainty, and Transfer Testing Robustness in Gaussian Process Hybrid Deep Networks》中，作者展示了GP与DNN的混合网络——GPDNN（把GP加到DNN上并进行端到端的训练），它继承了GP和DNN的优良特性，对对抗样本更加鲁棒。