通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。
Jun, 2013
我们比较了学生T过程与高斯过程作为非参函数先验的可行性，证明了学生T过程可以保留高斯过程的非参数表示法和解析边缘分布以及预测分布，同时具有增强的灵活性和预测协方差，特别适用于协方差结构发生变化或需要精确预测的情况。
Feb, 2014
本文提出了一种基于高斯过程的代理模型改进的近似贝叶斯计算方法，同时结合批次-序列贝叶斯试验设计策略实现模型并行化，并通过一种数值方法完整量化不确定性，该方法被称为贝叶斯ABC，并讨论了它与贝叶斯积分和贝叶斯优化之间的联系。
Oct, 2019
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。
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
本文研究高斯过程在模型不精确的情况下对函数均值的影响，并阐述了如何通过实验设计和核函数参数的选择来减少模型误差。
Jan, 2020
本文提出了一种将高斯过程进行分解，以便通过将先验与数据分离来进行可扩展抽样的方法，同时结合稀疏逼近在训练和测试时间都能够达到可扩展性的一般性方法。实验证明分解后的样本轨迹可以以较低的代价准确地表示高斯过程后验分布。
Feb, 2020
研究高斯过程的路径条件下的条件概率，给出了一类高效（具有多种应用背景，例如全局优化和强化学习）的近似方法。
Nov, 2020
该研究提出了一种使用贝叶斯方法将观测数据的不确定性与高斯过程回归相结合的方法，因此在科学应用中可以更好地估计不确定性，并获得更稳健的预测结果。
May, 2023
本研究解决了现有的差分高斯过程（DIFFGP）方法在核超参数不确定性处理上的不足。我们提出了一种完全贝叶斯的方法，将核超参数视为随机变量，并构建耦合的随机微分方程（SDE）来学习其后验分布。结果表明，所提方法在灵活性和准确性方面显著优于传统方法，为贝叶斯推断的深入研究提供了新的工具。
Aug, 2024