本文利用行为学实验结果设计核学习框架，逆向工程人类学习者在许多函数外推问题中的归纳偏见，通过学习得到的内核在人类用户外推中展示出一定的心理学见解和效果，并探究了人类和高斯过程的函数学习过程中奥卡姆剃刀的应用。

Oct, 2015

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

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

本文将半参数回归分析广泛应用于特定情况下，包括广义线性混合模型、广义加性模型、地统计模型、小波非参数回归模型及其各种组合，通过贝叶斯层级模型或图形模型框架并采用在线均场变分方法，实现了快速更新回归拟合，以适应越来越普遍的实时流数据源的灵活实时分析。

Sep, 2012

本文旨在探讨在观察性或非全随机数据上进行因果推断的问题以及利用统计学习工具来解决这些问题。我们介绍了现有最先进的合适的框架，可通过非参数回归模型估计个体处理效应，并提出了模型选择问题，旨在利用某些方法对三个不同模拟研究的效果进行说明。最后，我们演示了在学校餐饮计划数据的实证分析中使用一些方法。

Sep, 2020

本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，它结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性，可以适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点，并且提出了该模型的有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程。本文应用 GPRN 提出了多输出回归和多元波动性模型，展示了其在基准数据集上明显优于八个流行的多任务高斯过程模型和三种多元波动性模型的性能，其中包括一个 1000 维基因表达数据集。

Oct, 2011

本文基于一组‘专家’结合提出了非参数化的预测策略，并在最少条件下展示了这些策略的普适一致性。通过对真实数据集的深入分析表明，这些非参数化策略比 ARMA 方法更具灵活性，更快速，并且在归一化累积预测误差方面总体表现更好。

Jan, 2008

本文提出基于核方法和正交级数的两种非参数方法，用于在工具变量存在时估计回归函数，首次推导出了最优收敛速度，同时表明这些估计量是在特定条件下实现的。在工具变量存在的情况下，确定回归函数的关系也定义了一类 “困难” 的逆问题，其 “困难” 的程度取决于内生与工具变量的联合密度函数的特征值，同时阐明了问题困难程度在确定最优收敛速率和适当的平滑参数选择方面所起的作用。

Mar, 2006

本研究提出了一种新的技术方法，将贝叶斯非参数回归混合模型与多个弹性网络相结合，从而提取目标模型的可推广见解。通过在图像识别的上下文中对不同的机器学习模型进行评估，实验结果表明，我们提出的方法不仅在解释个别决策方面优于现有技术，而且为用户提供了发现目标机器学习模型漏洞的能力。

Nov, 2018

本文提出了一种广义的函数线性回归模型，包括函数线性模型、泊松回归和二项回归，并使用截断 Karhunen-Loeve 展开逼近预测过程进行降维，开发了一种适用于广义回归模型的渐近推断方法，其中截断参数随样本大小而增加，并应用控制变量的中心极限定理来建立维数的渐近增加，建立合适的 L^2 度量下的估计和真实函数之间的适当缩放距离的渐近正态性。

May, 2005