本文提出了一种基于量子核的高斯过程回归方法，并利用硬件高效特征映射和 Gram 矩阵的精细正则化，展示了量子高斯过程的方差信息可以被保留，以及它可以作为贝叶斯优化的代理模型，最后将该模型应用于机器学习模型的超参数优化，并以实际数据集为例，与经典的贝叶斯优化进行比较，展示了量子版本的性能可以匹配。

Apr, 2023

高斯过程是机器学习中常用的概率模型之一，本研究提出了一种基于希尔伯特空间逼近的量子算法，用于解决高斯过程回归中数据集规模大导致的计算复杂性问题。该方法结合了经典基函数展开和量子计算技术，利用量子主成分分析、条件旋转、Hadamard 和 Swap 测试等技术来评估高斯过程的后验均值和方差，从而实现了多项式的计算复杂性降低。

Feb, 2024

本文提出利用量子算法计算高斯过程模型中的边缘似然函数，能够显著提高计算效率。

Mar, 2018

本文通过对 4 个预测问题进行 4 种不同近似算法的实证研究，考察预测质量与计算时间之间的关系，并将实验代码共享，以鼓励未来的比较研究。

May, 2012

本教程旨在提供对高斯过程回归的直观理解。首先解释了构建高斯过程的基本概念，包括多元正态分布，核函数，非参数模型以及联合和条件概率。然后简要描述了高斯过程回归以及标准高斯过程回归算法的实现。除标准高斯过程回归外，还介绍了实现最先进的高斯过程算法的软件包。本教程以易懂的方式编写，可确保没有机器学习背景的读者能够充分理解高斯过程回归的基础知识。

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

本文介绍用高斯过程进行非线性估计问题的解决，讨论了其中的一些重要方面和扩展，包括递归和自适应算法处理非平稳、低复杂度解决方案、非高斯噪声模型和分类场景，最后提供了几个无线数字通信的应用实例。

Mar, 2013

本文提出了一种基于量子机器学习和优化方法的梯度下降算法，通过解决线性方程组问题，构建了一种基于 QRAM 数据结构模型的量子线性系统求解器，并应用于求解正定线性系统和权重最小二乘问题，具有较小的计算成本和内存需求。

Apr, 2017

该研究论文提出了一种将非线性引入量子机器学习中的方法，使用特征映射将经典数据导入到量子状态中，并基于混合量子计算机进行实现，提出了可实现著名的多项式回归和高斯核岭回归的编码方案，其处理信息效率具有指数级加速并且适用于大规模数据集。

Aug, 2018

该研究提出了一种基于量子计算机的线性回归模型和最小二乘优化算法的预测算法，并着重关注于数据点的输出猜测，通过适应算法处理低秩逼近表示的非稀疏数据矩阵，同时在联合量子信息处理过程中，可以通过单量子比特测量获得预测结果。

Jan, 2016