本文提出了一种高斯过程定位算法，利用机器人探索时获取的空间相关的测量数据，通过在线稀疏高斯过程有效地学习观测模型，实现定位且不因数据规模增大而降低效率。仿真实验和实际机器人实验表明，该算法胜过已有算法。

Apr, 2014

本文提出了一种名为 NOSTILL-GP 的非平稳空时可变潜在尺度高斯过程模型，用于环境监测中的空时动态建模，并通过多个实验验证证明了该模型的普适性和有效性。

Apr, 2018

提出了一种使用多智能体系统来高效监测水质的水文资源保护方法，通过应用局部高斯过程和深度强化学习来获得有效的监测策略，并表明与现有方法相比，该方法能显著降低水质变量和藻类水华监测的平均估计误差。

Jan, 2024

本文提出了一种新的基于高斯过程概率模型的流数据部署方法，包括学习超参数和优化伪输入位置，并使用合成和真实数据集进行评估。

May, 2017

本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

Dec, 2020

本研究通过多任务高斯过程和基于信息的目标函数结合迁移学习和主动学习，探索假设的相关关系空间，并实时评估这些假设，以提高规划效率。该方法通过在前 5 个样本内降低预测误差 1.5-6 倍来减少采样成本，并能快速识别和拒绝不良假设，不会对规划产生不良影响。

Feb, 2024

本文提出了一种解决多输出高斯过程模型主类型和相关环境现象多种共存的主动学习问题的方法，该问题涉及选择最具信息量的采样位置和每个位置的测量类型，以在预算范围内最小化目标感兴趣的预测不确定性（即后验联合熵），为了解决优化时的问题，我们利用了稀疏 MOGP 模型的常见结构，推导出一种新的主动学习准则，并利用新准则的放松形式子模性质，设计了一种多项式时间近似算法，实证评估表明我们的方法优于 MOGP 和单输出 GP 模型的现有算法。

Nov, 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

本篇论文研究了在多任务高斯过程模型中如何持续不断地学习处理顺序输入输出观测值的问题，提出了基于在线贝叶斯推断先验 —— 后验递归的方法，并结合诱导输入的稀疏近似引入了变分推断。通过该方法得到了可行的无限条件下界，并在自然情况下引入两个新的 KL 散度。本研究方法的关键技术是基于条件 GP 先验的递归重构，实现了对迄今为止学习到的变分参数的条件 GP 先验的递归重构。同时，该方法适用于许多类型的连续或离散的顺序观测，并且适用于可能出现潜在的多通道或异构观测值的场景。广泛的实验证明该方法具有可扩展性，表现可靠，并且对合成和真实世界的大量数据集的误差传播具有鲁棒性。

Oct, 2019

本研究提出了一种名为 VAR-GPs 的方法，采用贝叶斯定理作为框架，在通过观察数据在线连续学习过程中解决后验更新的问题，并使用稀疏诱导点逼近可扩展后验概率分布，从而避免了灾难性遗忘的问题。经过实验验证，在现代连续学习基准测试中，VAR-GPs 表现优异，证明了作者们建模选择的功效。

Jun, 2020