该论文提出了一种空间模型，可以允许空间依赖结构随着位置的变化而变化，并开发了一种分层模型，可以将这种不确定性纳入结果推理中，该方法已应用于有毒废物处理领域。

Dec, 2022

本文提出了一种利用卷积神经网络构建空间分区的方法来解决具有空间非平稳 Matern 协方差的高斯过程参数估计问题，并在合成和真实数据集中对该方法进行了有效性验证。

Jun, 2023

本文提出了一种具有层次结构的协方差函数的构造，这种协方差函数在各种随机场计算中，包括采样、克里金以及似然估计中都表现出高效的特点，特别适用于极大数量站点的克里金预测。

Nov, 2017

本文提出了一种针对全球数据的时空建模扩展方法，将多分辨率逼近（MRA）方法与分区及复杂协方差模型拟合相结合，实现了可扩展的计算性能和灵活的协方差模型，为分析全球性数据提供了实用的策略。

Jun, 2020

研究估计协方差超参数的最大似然（ML）和交叉验证（CV）方法， 结果发现 CV 方法在协方差函数被错误指定时表现更好，但当模型被很好指定时，ML 更优。进一步将单参数情况扩展到了估计具有协方差函数的超参数的情况。

Jan, 2013

该研究提出了一种使用贝叶斯方法的动态模型来准确预测多元金融数据中的时间变化协方差，通过假设参数值的扩散过程来捕捉市场条件的变化，使用粒子滤波器进行计算，解决了超拟合、局部最优和大量计算成本等问题。实验结果表明该算法在金融数据分析中表现出色。

May, 2013

使用测地线进行协方差矩阵建模，通过最小化样本协方差矩阵到测地线的距离解决代表性协方差矩阵的选择问题，并展示了其在有噪声数据下解决方案的精度较高。

Jan, 2020

本文提出了一种新颖的在再生核希尔伯特空间（RKHS）框架下处理稀疏和稠密函数数据的非参数协方差函数估计方法，该方法可以灵活地对协方差算子和边际结构进行建模，并且可以保证生成的估计量自动具有半正定特性，并且可以融入各种光谱正则化。 Trace- norm 正则化可以促进协方差算子和边际结构的低秩，并且虽然缺乏闭合形式，但在温和的假设下，提出的估计量可以实现统一的理论结果，其收敛速度揭示了从稀疏到密集的函数数据的相变现象。 基于新的代表定理，开发了 ADMM 算法来实现 Trace- norm 正则化。 通过模拟研究和来自 Argo 项目的数据集分析，展示了所提出估计器的优异数值表现。

Aug, 2020

本文提出了一种基于函数方法的新型多元统计相关性定义，通过一种递归双向统计映射来定义新的对称和自主叉密度核，估计它们的统计相关性，因此该核特征谱被提出作为一种新的多元统计相关性测量，其制定要求对于数据生成模型的假设比当前方法更少。

Dec, 2022

本文提出使用基于 RNN 的时间序列模型与带有低秩协方差结构的高斯联合分布过程输出模型相结合，以减少计算复杂度和处理非高斯边际分布，并在多个真实数据集上证明其性能优于现有方法。

Oct, 2019