通过引入异方差高斯过程（Heteroscedastic Gaussian process regression），并结合协变量引导的精度矩阵过程的混合公式，我们提出了一个新的框架，扩展了异方差高斯过程（HeGP）的概念，从回归任务扩展到分类和状态空间模型。通过仿真和气候学的实际应用，我们展示了该模型的优越性和优势。

Aug, 2023

介绍了一种名为潜在高斯过程回归的方法，可以扩展输入空间，使用潜在变量来调制协方差函数以处理多模态和非平稳过程的回归问题，并在合成数据和实际应用中进行了验证。

Jul, 2017

提出一种新的方法，用于一般化贝叶斯非线性潜在变量建模，通过使用随机傅里叶特征来逼近高斯过程映射中的核函数，从而将 GPLVM 推广至泊松、负二项和多项分布等情况，并通过随机特征潜变量模型（RFLVM）对广泛的应用进行评估，结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。

Jun, 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

提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

Oct, 2019

本文介绍一种新的方法，使用全非定常高斯过程回归，在该方法中，三个关键参数 —— 噪声方差、信号方差和长度尺度 —— 均可以同时受输入影响。我们采用基于梯度的推理方法，学习未知函数和非定常模型参数，无需任何模型近似。我们提出使用哈密尔顿蒙特卡罗方法推断全参数后验，通过模型梯度指导采样，方便地扩展了基于解析梯度的 GPR 学习。我们还通过梯度上升从后验中学习 MAP 解。在几个合成数据集和时间基因表达建模实验中，非定常 GPR 被证明是建模真实的输入依赖动态所必需的，而否则它的性能与传统的定常或以前的非定常 GPR 模型相当。

Aug, 2015

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

此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。

Feb, 2024

本文提出了一种贝叶斯方法，通过非标准变分推理框架在 GP-LVM 中近似积分出潜在变量，从而通过最大化解析较低下界的确切边缘似然来训练 GP-LVM，在学习非线性动态系统方面具有鲁棒性和自动选择非线性潜在空间维数的能力。

Sep, 2014

本研究采用全新的维度，给出了在含有输入相关噪声的仿真实验中，基于似然度的高斯进展回归的统一视角，同时针对复制在该背景下起到重要的作用，考虑了先前方法在利用复制数据的情况下忽视了计算节省的问题，或在保持易处理时快捷地简化了完整的基于似然度的推理。通过充分品味的流程了解了多种应用的可能性，我们展示了从同方差过程开始，如何在似然下通过已知的 Woodbury 身份的多次应用来推断所有参数，从而绕过典型的大小计算。然后，借鉴机器学习中的潜在变量思路来解决异方差性，将其调整到与节俭推理框架相同的工作原理中，并因此同时利用复制设计的计算和统计效率。结果是一种可表征为单一目标函数的推理方案，包括封闭形式的导数，用于快速基于库的优化。提供了丰富的实例， 包括制造业和流行病管理的真实世界仿真实验的案例研究。

Nov, 2016