该研究提出了一种线性时间随机算法，利用随机迹逼近和 Chebyshev 多项式扩展来近似大规模正定矩阵的对数行列式，该算法在计算数百万个变量的矩阵的对数行列式时，可以以比Cholesky分解和Schur完成快几个数量级的时间提供非常高精度的解决方案。

Mar, 2015

本文介绍了一种高效、可扩展的高斯过程（MSGP）的框架及其初步结果，该框架采用了 Kronecker 乘积和 Toeplitz 矩阵的分解并采用循环矩阵的近似，将 GP 的时间复杂度降至 O(n)，测试点的预测时间复杂度降至 O(1)。

Nov, 2015

本文提出了一种基于矩阵向量乘法和乘积核结构的新技术，可以在高维空间中实现快速的Kernel学习，并实现了令人瞩目的多任务GPs性能。

Feb, 2018

使用GRIEF核心和Nystrom近似，构建Gaussian过程用于高维问题中的快速似然估计和广义贝叶斯推断。

Jul, 2018

本文介绍了一种新的稀疏变分逼近高斯过程的解释，使用感应点可以比以前的方法更具有可扩展性。它基于将高斯过程分解为两个独立过程的和： 一个由有限势基感应点并跨越另一个捕获其余变化。我们表示，这种表达重新获得了现有的逼近值，并且同时允许获得较紧的较低边界和新的随机变分推理算法。我们展示了这些算法的效率，从标准回归到使用（深入）卷积高斯过程的多类分类，并在CIFAR-10中报告了完全基于GP的模型的最新结果。

Oct, 2019

该论文提出了一种基于变分贝叶斯核选择算法的稀疏高斯过程回归模型，通过将核表示成一个随机变量，并利用其先验和后验信念来学习其不确定性，进而避免避免过度自信，通过随机梯度上升的方法来迭代地最大化变分下界以提高精度，该方法适用于大规模数据集。

Dec, 2019

本文提出一种无需完全核矩阵的矩阵分解即可计算的高斯过程回归模型的对数边际似然的下界。我们通过最大化我们的下界来学习模型参数的近似最大似然方法保留了许多稀疏变分方法的优点，同时减少了参数学习中引入的偏差。我们的方法通过对出现在对数边际似然中的对数行列式项进行更仔细的分析，以及使用共轭梯度法导出涉及二次形式的项的紧凑下界，从而在统一依赖下界最大化的方法和基于共轭梯度的迭代方法的训练高斯过程方面迈出了一步。实验结果表明，相对于其他基于共轭梯度的方法，在相当的训练时间内，我们的模型具有更好的预测性能。

Feb, 2021

本文提出了一种新的可扩展的变分高斯过程近似方法，采用傅里叶级数将核作为正交核的和进行分解，利用这种正交性使众多诱导点具有低计算成本，能在回归和分类问题中利用输入空间的对称性，明显优于标准变分方法，并在CIFAR-10中取得与纯GP模型的最新成果。

Jun, 2021

本文对使用Matern核的加法混合在单输出高斯过程模型中的常见做法进行了批判性分析，并研究了Matern核的乘法混合在多输出高斯过程模型中的特性。通过一系列理论结果，我们推导出对于单输出情况，Matern核的平滑性由最不平滑的成分决定，并且具有这样一个内核的高斯过程等效于最不平滑的核成分。此外，我们证明了各个核组件中的混合权重或参数都不可辨。随后，我们转向多输出高斯过程模型，并分析了乘法核中协方差矩阵A的可辨识性，其中K(x, y) = AK_0(x, y) ，K_0是标准的单输出核，比如Matern核。我们展示了A可辨识，但具有多个倍数常数的特性，这表明乘法混合非常适用于多输出任务。我们的发现得到了对单输出和多输出情况的大量模拟和实际应用的支持。这项研究为高斯过程模型的核选择和解释提供了洞察，强调了在不同任务中选择适当的核结构的重要性。

Oct, 2023

高斯过程回归模型在现代统计学和机器学习中成为一个核心主题，然而在大规模样本中，要得到精确的后验结果是计算上不可行的，因此我们分析了概率数值方法中一类最近提出的近似算法，结合数值分析和 Kernel 矩阵的谱浓度结果得到了极小化收缩速率的理论结果，通过数值实验验证了我们的理论发现。

Jun, 2024