本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。
Oct, 2013
该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。
Jun, 2014
本文提出了一种可扩展的近似贝叶斯推断方法，在泛型状态空间模型中，相较于粒子MCMC提供了动态潜在状态和模型静态参数的完全贝叶斯推断，从而在多元随机波动模型和自激兴奋点过程模型中实现了可扩展的推断。
May, 2018
本文介绍了一种新的变分推理方案，用于建模高斯过程的动态系统的转换函数。该方法可以消除潜在系统状态和转移函数之间的因式分解并更准确地预测转移函数。
Jun, 2019
本文介绍了高斯过程模型中两种推断超参数后验分布的方法，一种是哈密顿蒙特卡罗（HMC）求解采样近似，另一种是变分推断（VI），其中超参数后验分布被近似为一个因子化的高斯分布或全秩高斯分布，该文分析了完全贝叶斯高斯过程回归在多个基准数据集上的预测性能。
Dec, 2019
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
高斯过程状态空间模型（GPSSM）中引入了高效变换的高斯过程（ETGP）以及归一化流来有效地建模高维潜在状态空间中的转换函数，从而提高了模型的计算效率。此外，我们还开发了相应的变分推断算法，通过数量和计算复杂性的比较，优于现有方法。实验结果验证了该方法的效率，并证明其与现有方法相比具有相似的推断性能。
Sep, 2023
科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。
Dec, 2023
本研究解决了复杂系统中多尺度交互作用的建模问题，提出了一种新颖的多尺度状态空间模型，以探讨不同时间尺度系统之间的动态相互作用。通过采用贝叶斯学习框架和粒子吉布斯与祖先抽样算法，我们有效地估计了未知状态，展示了该方法在模拟中的有效性及潜在影响。
Aug, 2024
本研究解决了复杂系统中多尺度相互作用的建模问题，引入了一种新颖的多尺度状态空间模型。通过提出贝叶斯学习框架和开发粒子吉布斯祖先采样算法，研究展示了在估计未知状态时的有效性，为理解不同时间尺度之间的动态交互提供了新方法。