贝叶斯推理是在概率图形模型中进行非参数推理的一种原则方法，其中变量之间的概率关系以非参数方式从数据中学习。

通过结合内核化的基本概率运算（例如内核和规则和内核贝叶斯规则），开发了各种内核贝叶斯推理算法。但是，当前框架是完全非参数的，并且不允许用户灵活地组合非参数和基于模型的推论。当对于图形模型的某些部分有良好的概率模型（或仿真模型）时，这效率很低。在以“模型”为研究主题的科学领域中尤其如此。我们在本文中的贡献是引入一种新的方法，称为基于模型的核和规则（Mb-KSR），以结合概率模型和核贝叶斯推理。通过将Mb-KSR与现有的内核化概率规则相结合，可以开发出各种用于混合（即，非参数和基于模型）推理的算法。

作为说明性示例，我们考虑状态空间模型中的贝叶斯滤波，其中通常存在用于状态转换过程的准确概率模型。我们提出了一种新颖的过滤方法，该方法将基于模型的推断用于状态转换过程与数据驱动的非参数推断相结合用于观察生成过程。我们通过合成和真实数据实验对我们的方法进行实证验证，后者是机器人技术中基于视觉的移动机器人本地化期号，这说明了所提出的混合方法的有效性。