提出了用于高斯过程回归的非平稳谱核，其谱密度由输入依赖高斯过程频率密度表面的混合物建模，实现了能够学习输入依赖和潜在长程非单调协方差（inputs-dependent and potentially long-range, non-monotonic covariances）的一族非平稳和非单调核函数，并借助模型白化和边缘概率等方法推导出有效的推理方法，证明这些核函数在建模具有非平稳特征的时间序列、图像或地理空间数据时是必要的。

May, 2017

高斯过程常用于数据的随机函数逼近和不确定性量化，在机器学习中它们表现出优秀的预测能力，尤其在数据稀缺场景下，但核函数作为高斯过程的重要构建模块，通常需要进行复杂的定制，我们通过研究代表性数据集中多种核函数的表现、性质和性能，提出了一种融合现有核函数优点的新核函数。

Sep, 2023

本文提出了一种利用卷积神经网络构建空间分区的方法来解决具有空间非平稳 Matern 协方差的高斯过程参数估计问题，并在合成和真实数据集中对该方法进行了有效性验证。

Jun, 2023

本篇论文提出了一种组合变分方法和光谱表示的高斯过程近似算法，通过研究高斯过程的光谱特征和协方差，进行了相关推导和分析，并将该算法应用于 Matern 核和高维数据的处理中，结果表明该算法在计算速度和精度方面都表现出色。

Nov, 2016

简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

Feb, 2013

本论文提出了一种可以学习非线性数据特性的内核函数家族，该家族通过一种可学习的输入分区来改进先前的方法，并在各种主动学习任务中表现出出色的性能。

Mar, 2023

通过将函数模型为非平稳高斯过程的样本函数，学习一对变量之间的功能关系，解决可用数据的相关结构的不均匀性问题，并在其中嵌套多个高斯过程，从而建立了两个高斯过程层的充分性。

Apr, 2024

本文提出了一种基于函数内核的学习方法（FKL），通过将高斯过程置于谱密度上，直接推断出内核的功能后验分布，从而能够支持任何平稳内核，具有对内核值的不确定性，以及直接对内核的先验规范，而不需要复杂的初始化或人为干预。我们通过椭圆切片采样进行推断，这对于较强相关性先验的函数空间建模尤其适用。我们将我们的方法应用于非均匀、大规模、多任务和多维数据，并在插值、外推和内核恢复实验中展现了良好的性能。

Oct, 2019

通过使用集成的 Fourier 特征，我们提出了一种扩展性能优势的方法，适用于广泛的平稳协方差函数类，从收敛分析和实证探索中证明了在合成和实际空间回归任务中的实际加速。

Aug, 2023

提出一种可扩展的高斯过程模型，用于确定和表征平滑多维变化点，并自动学习表达协方差结构中的变化。通过 Random Kitchen Sink 特征来灵活地定义变化表面，结合表现力强的谱混合核来捕获复杂的统计结构，最后通过新颖的加性非可分离核方法，可以将模型扩展到大型数据集。我们在数值和实际数据上演示了该模型，包括一个大型时空疾病数据集，在其中确定了先前未知的空间和时间异质性变化。

Nov, 2015