我们比较了学生 T 过程与高斯过程作为非参函数先验的可行性，证明了学生 T 过程可以保留高斯过程的非参数表示法和解析边缘分布以及预测分布，同时具有增强的灵活性和预测协方差，特别适用于协方差结构发生变化或需要精确预测的情况。

Feb, 2014

本文介绍了基于 Student's-T 过程的高斯过程贝叶斯优化方法，并探讨了其在航空航天优化中的优势。文章比较了高斯过程和 Student's-T 过程在贝叶斯优化的经典测试问题上的表现，同时将 Student's-T 过程应用于机身结构设计问题。

Jan, 2018

本文介绍了一种期望传递（Expectation Propagation，EP）方法，用于具有高斯过程的多类别分类，可以适应大规模数据集。此方法可以通过随机梯度和小批次进行有效的培训，并且可以在数据实例数量 N 上进行计算成本，而不受其影响。此外，拟合推断过程中的额外假设使得内存成本与 N 无关。与使用变分推断近似所需计算的替代方法进行实证比较，结果表明，该方法表现出类似或甚至比这些技术更好的表现。

Jun, 2017

利用稀疏表示和变分推断的学生 - t 进程来建模含有离群值或具有重尾行为的数据，提供了一种比高斯过程更灵活的选择，减少了计算复杂性，并在多个合成和真实数据集上展示了其有效性。

Dec, 2023

本文提出了一种用于高斯过程回归中噪声和信号方差的不精确积分的新方法，并使用期望传播进行推理，在两个模拟数据集和三个实证示例中与马尔可夫链蒙特卡罗方法进行比较。结果表明，期望传播能够产生可比较的结果，而计算量较小。

Apr, 2014

通过将变分推断用于推理，将边缘似然的直接逼近解决与非共轭似然的高斯过程模型的近似推断的问题

Jun, 2023

本研究提出了一种在 Kalman 平滑过程中应用的简单参数更新规则，将非共轭时空高斯过程模型中的近似贝叶斯推理公式化，包括大部分推理方案，如 EP、经典 Kalman 平滑器和变分推理，并提供了这些算法的统一视角。

Jul, 2020

本文研究了期望传播方法在广义线性模型下的渐近特性，并通过自由概率理论提出了一种计算复杂度更低的方法，对于具有渐近自由特性的数据矩阵可以有效应用于微阵列数据的基因选择问题。

Jan, 2018

提出了一种基于贝叶斯混合学生 t 过程和整体 - 局部尺度结构的方法，用于建模时间相关数据中的非平稳性和重尾误差，并利用顺序蒙特卡洛采样器进行实时数据在线推断，通过在真实世界数据集上的比较实验表明了该方法相对于典型的高斯过程模型的优势，证明了使用学生 t 过程混合模型的必要性。

Nov, 2023

本文提出了一种名为随机期望传播的方法，它在维护全局后验概率近似同时采取局部化更新，用于大规模数据设置中的近似贝叶斯学习，能够几乎与完整的期望传播方法相媲美，但是将其内存消耗降低了 N 倍。

Jun, 2015