提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，用于非线性随机动态系统的系统识别和控制。在机器学习，机器人和控制领域，这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明，所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。

Mar, 2012

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

介绍了数值高斯过程的概念，它是通过对时间依赖偏微分方程进行时间离散化来定义的高斯过程。当前的方法可以处理的情况包括只能观测到初始条件的噪声数据和我们感兴趣的是在解决时间依赖偏微分方程时与这些噪声数据相关的不确定性的量化。这种方法通过适当放置高斯过程先验来避免空间离散化差分算子的需要。经过多个基准测试问题的验证，该方法的有效性得到了证明，包括涉及线性和非线性时间依赖算子的情况，即使在长时间积分的情况下我们也能恰当地求解潜在解，并保持不确定性传播的一致性。

Mar, 2017

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

高斯过程常用于数据的随机函数逼近和不确定性量化，在机器学习中它们表现出优秀的预测能力，尤其在数据稀缺场景下，但核函数作为高斯过程的重要构建模块，通常需要进行复杂的定制，我们通过研究代表性数据集中多种核函数的表现、性质和性能，提出了一种融合现有核函数优点的新核函数。

Sep, 2023

通过图拉普拉斯正则化约束目标向量具有特定的图傅里叶变换系数，本文提出了一种基于图的信号的高斯过程，并证明了任何非平凡图的预测方差严格小于传统高斯过程。我们还在各种真实世界的图信号上验证了该方法表现比普通高斯过程更优秀，特别是在小训练数据规模和嘈杂训练下。

Mar, 2018

提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。

May, 2019

本文探讨了使用局部高斯过程模型来降低训练成本以及通过加权和计算 Wasserstein barycenter 等方法，对多个 product-of-expert 模型的预测进行校准和提高精度的技术。

Feb, 2021

本文提出了一种以高斯过程回归为基础的概率数值逼近方法来解决常微分方程，通过构建一个测量序列，观测高斯过程导数和向量场之间的差值，可以将问题转化为非线性贝叶斯滤波问题，从而推导出新颖的高斯支持 ODE 算法以及粒子滤波方法的非高斯近似。

Oct, 2018

该研究论文回顾了一种非参数贝叶斯机器学习方法 - 高斯过程在无线通信中的应用，并介绍了它在可扩展性、可解释性和不确定性建模方面的优势。通过多种可解释的内核设计，描述了高斯过程模型以及其在无线通信系统中的应用，特别是在大规模分布式网络中的应用。

Mar, 2021