高维 Gauss-Markov 模型的推断中，我们提出了一种概率数值方法以解决滤波和平滑中存在的时间和内存复杂性难题，并演示了该方法在大规模气候数据集上的可扩展性。

May, 2024

提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，用于非线性随机动态系统的系统识别和控制。在机器学习，机器人和控制领域，这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明，所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。

Mar, 2012

本文研究了在大规模统计学环境中用于机器学习和信号处理的 Gauss-Newton 方法及其随机版本，以及它们的非光滑对应物 prox-linear 算法。该文在一个简化的统计学例子和结构化预测学习问题上，对这两类算法的对比表现进行了理论和实验研究，着重研究了在统计噪声下 modified Gauss-Newton 方法二次收敛的适用范围，并强调了随机梯度下降优化非光滑复合目标函数的多用途性。

May, 2023

从有噪音观测数据中对动态系统进行状态估计是许多应用中的一个基本任务。本文介绍了一种无参数算法，通过简短的迭代过程对 Kalman 滤波器的标准更新步骤进行在线估计，从而减轻观测数据中异常值的有害影响。仿真和实地实验评估证明了我们的方法在滤波场景中对异常值的鲁棒性，相比其他算法表现出有竞争力的性能。

Sep, 2023

本文研究了粒子方法逼近平滑分布问题，并提出线性时间复杂度的联合平滑分布的逼近算法。在该模型下，本文的主要贡献是建立了收敛性质和边界，证明了一些误差估计的一致性。

Feb, 2012

研究用于非线性状态空间模型的近似极大似然参数估计，讨论了直接最大化似然和 EM 算法，使用 sigma 点来近似所需积分的高斯滤波和平滑算法，比较了不同阶的 unscented 变换以及高斯 - 埃尔米特积分规则得出的方法在两个模拟实验中的表现

Apr, 2015

该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。

Jun, 2014

在存在异常值和误设测量模型的状态空间模型的在线滤波中，我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法（如扩展和集成卡尔曼滤波器）相结合，其中前者用于展示鲁棒性，后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题（如物体跟踪、高维混沌系统的状态估计和在线神经网络学习）中，我们在更低的计算成本下与其他鲁棒滤波方法（如基于变分贝叶斯的方法）相匹配或表现更好。

May, 2024

本文介绍了 Gaussian 过程状态空间模型，并探讨最大的挑战 —— 系统识别，提出了基于双向循环神经网络的结构化高斯变分后验分布来处理推断问题，并使用重参数化技巧有效计算边缘似然的下界，可以在观察到真实系统的少量数据后生成可信赖的未来轨迹。

May, 2017

本文针对非凸非光滑问题提出新的算法稳定性度量方法，同时建立它们与梯度之间的量化关系，并使用采样确定算法导出了随机梯度下降算法和其自适应变种的误差界。

Jun, 2022