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

本文提出了一种非参数函数估计的新类先验分布，使用加权和和生成函数来控制本地和全局特征，并使用 Lévy 随机场和它们的随机积分来诱导未知的函数或使用所述参数控制的核的数量的先验分布，并使用可逆跳跃马尔可夫蒙特卡罗算法进行反向推断。

Dec, 2011

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

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

介绍了可伸缩的深度核，将深度学习架构的结构属性与核方法的非参数灵活性相结合，通过局部核插值、引入点、Kronecker 和 Toeplitz 代数进行转换，使用这些闭式核可以用作标准核的替代品，在表达能力和可伸缩性方面具有优势，通常情况下，学习和推断代价为 $ O (n)$，而预测代价为每个测试点的 $O (1)$。

Nov, 2015

通过使用先前学习到的先验知识以优化概率深度学习模型，提出了一种基于正则化的连续学习方法，应用于自主驾驶中的轨迹预测问题，证明了其在减少训练数据和跨场景情况下具有提高数据效率和鲁棒性的能力。

Mar, 2024

基于机器学习的求解器在物理模拟和科学计算中引起了广泛关注，本文介绍了一种基于高斯过程的方法来解决高频和多尺度的偏微分方程，利用混合核函数来灵活地捕捉主频，并通过在网格上放置采样点来加速计算，最终建立了一个 Kronecker 乘积结构的协方差矩阵。

Nov, 2023

本文提出了一种用于高斯过程建模的新方法，其中计算要求随着数据集的大小呈线性比例增长，与天文时间序列数据的应用作为例子，演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题，具有快速、可解释、可适用于天文数据分析和其他领域等优点。

Mar, 2017

本文提出了一族可行核函数，这些函数在有界正半定函数族中密集，通过该族函数可以准确地近似任何有界核函数，我们首先讨论了平稳核函数的情况，并提出了一族谱核函数，扩展了现有方法，如谱混合核和稀疏频谱核，进而我们推广了方法并提出了一族灵活、可行的谱核函数，证明其能够近似任何连续有界非平稳核。

Jun, 2015

本文提出了一种基于非平稳谱核并能从数据中灵活学习谱度量的强大高效谱核学习框架，还导出了一个基于 Rademacher 复杂度的数据相关推广误差界，并提出两个正则化项以提高性能。实验结果表明该算法的有效性并验证了作者的理论结果。

Sep, 2019