本文介绍了一种将加性模型与高斯过程相结合的方法，并提出了一种用于数据驱动参数估计的简明数值方法。通过休息技术，本方法在 Sobol's g-function 中的表现效果优于其他方法。

Mar, 2011

本文介绍了一种高斯过程模型，其中的函数是可加的，这种函数可分解为低维函数的总和，每个低维函数只依赖于输入变量的一个子集。该模型引入了核函数的一种表达形式，通过它可以高效地评估所有输入交互项，在回归任务中表现出具有先进性的预测能力。

Dec, 2011

提出了正交加性核（OAK）来代替传统高维交互项的加性高斯过程（GP）模型，能够实现可识别、低维度表示的功能关系，并展示了其在稀疏计算方法中的改进收敛速度和优越的预测性能。

Jun, 2022

简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

Feb, 2013

本文提出了一种用于高斯过程建模的新方法，其中计算要求随着数据集的大小呈线性比例增长，与天文时间序列数据的应用作为例子，演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题，具有快速、可解释、可适用于天文数据分析和其他领域等优点。

Mar, 2017

提出了基于复值交叉频谱密度的参数化多元协方差函数，实现对通道之间时间延迟和相位差异的建模，进而提高了模型的表达能力。该方法在合成数据和真实数据集上进行了验证和比较。

Sep, 2017

本文对使用 Matern 核的加法混合在单输出高斯过程模型中的常见做法进行了批判性分析，并研究了 Matern 核的乘法混合在多输出高斯过程模型中的特性。通过一系列理论结果，我们推导出对于单输出情况，Matern 核的平滑性由最不平滑的成分决定，并且具有这样一个内核的高斯过程等效于最不平滑的核成分。此外，我们证明了各个核组件中的混合权重或参数都不可辨。随后，我们转向多输出高斯过程模型，并分析了乘法核中协方差矩阵 A 的可辨识性，其中 K (x, y) = AK_0 (x, y) ，K_0 是标准的单输出核，比如 Matern 核。我们展示了 A 可辨识，但具有多个倍数常数的特性，这表明乘法混合非常适用于多输出任务。我们的发现得到了对单输出和多输出情况的大量模拟和实际应用的支持。这项研究为高斯过程模型的核选择和解释提供了洞察，强调了在不同任务中选择适当的核结构的重要性。

Oct, 2023

本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

Jan, 1997

本篇论文提出了一种组合变分方法和光谱表示的高斯过程近似算法，通过研究高斯过程的光谱特征和协方差，进行了相关推导和分析，并将该算法应用于 Matern 核和高维数据的处理中，结果表明该算法在计算速度和精度方面都表现出色。

Nov, 2016

本文介绍了两种基于低秩协方差矩阵逼近的并行高斯过程回归方法，这两种方法可以将计算负载分布在并行机器之间以达到时间效率和可伸缩性，并经过理论分析证明了这些方法的预测性能等价于一些集中式的近似高斯过程回归方法，并且在两个真实数据集上的实证评估表明我们的并行高斯过程回归方法比其集中式对应物和全高斯过程方法具有更高的时间效率和可伸缩性，同时实现与全高斯过程方法相当的预测性能。

Aug, 2014