本研究结合贝叶斯非参数模型高斯过程和狄利克雷过程，创新性地在高斯过程的基础上引入结构化时间序列数据模型，以及加速新型的狄利克雷过程变分推理算法，可用于优化我们的方差逼近。生物时间序列应用实例中，我们的模型更好地捕获了数据的显著特征，提高了与现有生物分类的一致性，同时推理算法提供了 EM 变分推理的两倍速度。

Jan, 2014

此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。

Feb, 2024

本文介绍一种基于 Beta 累积分布函数的自适应学习输入空间的方法，针对多任务贝叶斯优化问题，将多个任务共同映射为稳定的空间，实验结果表明，该方法可以大幅提升全局寻优的效率和准确性。

Feb, 2014

该论文提出了一种基于贝叶斯无限混合模型的转换方法，该方法在不受函数或转换形式限制的情况下可以同时对数据集进行聚类和对齐，并通过使用狄利克雷过程先验来以数据驱动的方式确定聚类的最优数量，并且可适用于多种类型和转换函数的数据，该方法通过在合成数据和各种图像数据集上的实验取得了积极的结果。

Oct, 2012

本文提出了一种新的距离测量方法，通过学习特征空间的潜在全局转换和时序对齐，以及不同维度间的差异来计算多元时间序列之间的距离，为机器学习等领域提供了新的思路。

Feb, 2020

本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题，同时在潜空间中学习动态先验，并允许自动确定潜在空间的维数，该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。

Jul, 2011

本文提出了一种新的多输出高斯过程扩展方法，用于处理异构输出，此方法使用向量值高斯过程先验来联合建模所有似然函数中的参数作为潜在函数，并以线性模型为核心的协同关系形式使用协方差函数；在假设潜在函数之间存在条件独立性并利用引导变量框架的前提下，我们能够获得易于处理的变分下界，适用于随机变分推理。最后我们在合成数据以及两个真实数据集上：人类行为研究数据集以及人口统计高维数据集中展示了该模型的性能。

May, 2018

本研究利用连续时间高斯过程中的协方差函数替代流行的两两比较模型的静态参数，所提出的概率模型能够捕捉多种时间动态，并通过开发高效的推断算法进行计算，应用在多个历史体育数据上，具有优于竞争方法的预测性能和良好的可视化效果。

Mar, 2019

该研究提出了使用贝叶斯非参数方法在多个相关时间序列的联合建模问题上的解决方案，其中使用了潜在的共享动态行为发现方法，提出了一种基于 Beta 过程先验的高效 Markov chain Monte Carlo 方法，并利用 birth 和 death proposals 方法探究新的动态行为，最终实现了对于视频运动捕捉数据的无监督分割，并在一些合成数据集中获得了良好的结果。

Nov, 2011

使用贝叶斯方法和高斯过程，结合符号核、稀疏变分方法等技术对序列数据进行学习，可以使得不同长度的序列可比较且利用奇异分析的强大理论结果；我们还介绍了一种使用引导张量处理未能有利的序列结构方法，将该方法和 LSTMs、GRUs 等结合起来，以建立利用优势的大型模型，并在多元时间序列分类数据集上进行基准测试。

Jun, 2019