Procesów Gaussa powszechnie używa się w uczeniu maszynowym do modelowania niepewności, szczególnie w optymalizacji bayesowskiej. Jednak badacze zidentyfikowali systematyczną wadę: gdy domena jest ograniczona (np. do kwadratu lub hipersześcianu), wariancja posteriori modeluje się jako zwiększoną tuż przy brzegach domeny. To zjawisko było znane w geostatystyce, ale jego pełne konsekwencje dla optymalizacji nie były dobrze zbadane.
Przyczyna tego problemu okazuje się całkowicie geometryczna. Kernele stacjonarne definiują dystans korelacji między punktami, ale gdy punkty zbliżają się do granic domeny, sąsiedztwo korelacji urywa się. Ta ucinająca asymetria tworzy zniekształcenie wariancji, które nie zależy od żadnych danych — pojawia się czysto z powodu kształtu domeny. Zadziwiająco, zjawisko to pogarsza się dramatycznie wraz ze wzrostem liczby wymiarów, co stanowi kłopotliwy problem dla wysokowymiarowych zastosowań.
Badacze pokazali, że to geometryczne zniekształcenie bezpośrednio wpływa na to, gdzie algorytm optymalizacji decyduje się eksplorować. W zależności od funkcji akwizycji — zmiennej określającej strategię wyboru nowych punktów — efekty się różnią: maksymalizacja wariancji przyciąga wybory do narożników, podczas gdy inne metryki niepewności preferują powierzchnie równoległe do ścian. Kluczowe jest to, że te wzorce pojawiają się bez względu na rzeczywiste zadanie optymalizacji — geometria kernela może całkowicie przejąć kontrolę. Zespół zaproponował diagnostyczne narzędzie do mierzenia tego efektu niezależnie od funkcji celu.