高斯过程回归近似方法评估框架
本研究提出了一种基于最近邻预测的高斯过程回归算法，相比于现有算法，该算法具有更快的计算速度和更准确的预测结果，并且其对数据集大小和样本误差的鲁棒性更强。
Jun, 2023
基于一种称为 Conformal Prediction 的机器学习框架的 GPR 扩展，可以在模型完全错误指定的情况下保证产生所需覆盖范围的 PI，实验结果表明其优于现有方法。
Oct, 2023
高斯过程是机器学习工具箱中成熟且广泛使用的组成部分之一。论文提出了一种基于方法所期望的指标来比较高斯过程的近似方法的建议，并开发了一种训练过程，使用户不需要进行选择。研究结果表明，根据这些建议进行基准测试可以更清楚地了解领域的当前状况，并揭示了未来研究需要解决的问题。
Feb, 2024
本文提供了一个新的在线高斯过程（GP）算法的理论框架，它基于在线 PAC 贝叶斯理论，并且通过优化经验风险函数和先验分布与后验分布之间的差异来保证其泛化性能和准确性。
Oct, 2022
本教程旨在提供对高斯过程回归的直观理解。首先解释了构建高斯过程的基本概念，包括多元正态分布，核函数，非参数模型以及联合和条件概率。然后简要描述了高斯过程回归以及标准高斯过程回归算法的实现。除标准高斯过程回归外，还介绍了实现最先进的高斯过程算法的软件包。本教程以易懂的方式编写，可确保没有机器学习背景的读者能够充分理解高斯过程回归的基础知识。
Sep, 2020
高斯过程在小型、结构化和相关的数据集上提供了一种有吸引力的回归方法。然而，它们的部署受到计算成本的限制，并且缺乏如何应用于复杂的低维数据集的指导。我们提出了一个框架，用于确定高斯过程在给定问题上的适用性，并建立一个强大且明确的高斯过程模型。该框架给出了有经验的高斯过程实践者的决策指南，重点关注核函数设计和计算可扩展性选项。然后，该框架用于一个冰川海拔变化的案例研究，在测试时得到更准确的结果。
Jul, 2023
本文回顾和分析了当前流行的可扩展高斯过程回归模型的局部和全局逼近方法，主要包括稀疏逼近、混合专家模型和产品专家模型，并探讨了这些模型在数据规模大的情况下的应用前景。
Jul, 2018
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