简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

Feb, 2013

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

该论文研究了高斯过程模型的能力和局限性，提出了一种具有可扩展性和统计效率的推理方法，探索了灵活的内核和用于学习超参数的客观函数。通过实验结果表明，这种方法在标准 MNIST 数据集上的性能优于所有之前报告的 GP 方法，并在 MNIST8M 数据集上突破了 1％的误差率，同时展示了它在分类问题中的可扩展性。总的来说，该方法在内核方法和 GP 模型方面取得了重大突破，缩小了深度学习方法和内核机器之间的差距。

Oct, 2016

本文提出了一种基于高斯过程的非参数回归方法的自动统计学家。该系统使用一种语言模型自动地为给定数据集探索可行的统计模型，并生成包含图表和自然语言文本的详细报告，同时可以在各种领域的 13 个实时数据集中展现最先进的外推性能。

Feb, 2014

本文介绍了一种高斯过程模型，其中的函数是可加的，这种函数可分解为低维函数的总和，每个低维函数只依赖于输入变量的一个子集。该模型引入了核函数的一种表达形式，通过它可以高效地评估所有输入交互项，在回归任务中表现出具有先进性的预测能力。

Dec, 2011

使用完全贝叶斯方法将高斯过程回归扩展到包括核选择和核超参数的边际化。同时通过证据执行贝叶斯模型比较，实现了直接核比较。方法在合成数据和实际天体测量中得到了验证。

Nov, 2023

机器学习中一个核心主题是从稀疏和嘈杂的数据中进行函数估计。本文研究了内核岭回归，并推导了在非平稳分布下的收敛条件，同时解决了可能无限次发生的随机调适情况，包括重要的探索 - 开发问题。

Oct, 2023

本文介绍使用高斯过程在结构核中进行模型选择的方法，并给出在树核上的实验结果，证明其比使用网格搜索的超参数优化方法具有更好的预测性能。

Aug, 2015

本文探讨了使用局部高斯过程模型来降低训练成本以及通过加权和计算 Wasserstein barycenter 等方法，对多个 product-of-expert 模型的预测进行校准和提高精度的技术。

Feb, 2021

本文扩展了约束高斯过程的核心思想，并提出了一种新的基于 “帽子” 基函数的稀疏高斯过程方法，将计算复杂度从精确高斯过程的 $O (n^{3})$ 降低到 $O (nm^{2})$，在开源数据集或分析函数上取得了满意的近似结果。

Jun, 2020