本文介绍了基于 Student's-T 过程的高斯过程贝叶斯优化方法，并探讨了其在航空航天优化中的优势。文章比较了高斯过程和 Student's-T 过程在贝叶斯优化的经典测试问题上的表现，同时将 Student's-T 过程应用于机身结构设计问题。

Jan, 2018

利用稀疏表示和变分推断的学生 - t 进程来建模含有离群值或具有重尾行为的数据，提供了一种比高斯过程更灵活的选择，减少了计算复杂性，并在多个合成和真实数据集上展示了其有效性。

Dec, 2023

本文考虑了具有学生 - t 观测模型的高斯过程回归的鲁棒且高效的实现。我们还演示了标准 EP 无法收敛的情况，并提出了用于改善收敛的不同修改和替代算法。我们提出了一种健壮的实现，主要依赖于并行 EP 更新，并利用一种基于匹配矩的双环算法，在困难情况下自适应地选择步长，对算法进行改进，并通过与其他估计方法的比较来展示预测性能。

Jun, 2011

提出了一种基于贝叶斯混合学生 t 过程和整体 - 局部尺度结构的方法，用于建模时间相关数据中的非平稳性和重尾误差，并利用顺序蒙特卡洛采样器进行实时数据在线推断，通过在真实世界数据集上的比较实验表明了该方法相对于典型的高斯过程模型的优势，证明了使用学生 t 过程混合模型的必要性。

Nov, 2023

我们提出了椭圆过程，这是一类非参数概率模型，它包含了高斯过程和学生 t 过程。通过连续高斯混合分布的表示，椭圆过程具有一系列新的重尾行为，同时保持计算可行性。使用样条标准化流的参数化混合分布来训练变分推断，并提出了适用于大规模问题的稀疏变分椭圆过程。通过回归和分类实验，我们强调了与高斯过程相比的优势。在非高斯似然函数或精确的尾部建模至关重要的情况下，椭圆过程可以取代高斯过程。

Nov, 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

通过在非层次逻辑回归模型系数上独立使用学生 - t 先前分布构造一个新的先前分布，具有更好的性能，并且自动应用更多的收缩到高阶交互项和自动生成更好的结果。

Jan, 2009

介绍了一种具有 Wishart 边际分布的随机过程：广义 Wishart 过程 (GWP)，用于建模动态 (如时间变化) 协方差矩阵，并可以捕捉各种协方差结构，易于处理缺失数据，并可扩展到其他可观测变量。该模型性能超越主要竞争对手，多元 GARCH 模型，用于金融数据的预测表现良好。

Dec, 2010

本文讨论利用鲁棒统计学的见解进一步改进基于流模型的方法，具体地，使用多变量的学生 $t$ 分布， 替代传统标准化流使用的高斯分布。实验证明，使用更胖尾的基础分布可以提高算法的容错性并减少一般化差距，而不损害方法的渐近一致性和去其损失数据似然性的方法。

Jun, 2020

本文提出一种基于 Lanczos 算法的方法 LOVE（LanczOs Variance Estimates）来解决高斯过程回归的计算瓶颈，大大提高了协方差的计算效率和采样速度。

Mar, 2018