该论文提出了一种使用 Kalman 递归实现线性时间推断的方法，避免了数值不稳定和收敛问题，通过实现该方法，解决了在处理非高斯似然时所遇到的麻烦，同时达到了快速稳定的变分推断效果，可处理包含百万数据点的时间序列的状态空间高斯过程模型。

Jul, 2020

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

该文介绍了一种针对时间序列数据的非参数预测与降噪方法，使用高斯过程和卡尔曼滤波实现。此外还讲到了基于单次环境传输因子的推断方法，在算法复杂度方面有较好的优化表现，并且可以用于在线学习。

Nov, 2018

通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。

Jun, 2013

本文介绍了 Gaussian 过程状态空间模型，并探讨最大的挑战 —— 系统识别，提出了基于双向循环神经网络的结构化高斯变分后验分布来处理推断问题，并使用重参数化技巧有效计算边缘似然的下界，可以在观察到真实系统的少量数据后生成可信赖的未来轨迹。

May, 2017

本文介绍了一种用高斯过程状态空间模型进行高效贝叶斯学习的方法，其中高斯过程投影到利用先验协方差结构导出的一组近似特征函数集合上。通过谨慎设计的粒子 MCMC 算法，可以在这种模型家族下进行学习。相比传统的系统识别工具或现有的学习方法，我们在模型不确定性的可靠量化方面表现更具竞争力。

Jun, 2015

引入一种通用方法，允许 LDS 模拟平稳的时间 GPs，这种状态空间表示方法称为马尔可夫高斯过程，通过保持高斯过程的灵活性同时维持高效的线性计算，能够组合 GPs 和 LDS 的优点，而不仅限于分离性多输出核函数，对单输出和多输出的平稳时间核函数普遍有效，通过计算协方差、执行回归任务和神经科学应用进行评估，证明了我们的方法能够提供准确的平稳时间 GPs 的状态空间表示。

Jun, 2024

本文提出了结合 inducing points 和 state-space formulation 的方法，并给出了相应的 varitational parameterisation 公式，该方法在深度高斯过程模型中的应用效果明显。

Jan, 2020

本研究提出了一种统一算法，以高效学习一类广泛的线性和非线性状态空间模型为主，包括由深度神经网络建模的发射和转移分布，使用结构化变分逼近参数化的循环神经网络来模拟后验分布，同时学习编译的推理网络和生成模型。通过应用于合成和真实数据集，本算法展现了其可扩展性和通用性，并发现使用结构化的后验近似会导致具有显著更高留存的可能性的模型。

Sep, 2016

高斯过程状态空间模型（GPSSM）中引入了高效变换的高斯过程（ETGP）以及归一化流来有效地建模高维潜在状态空间中的转换函数，从而提高了模型的计算效率。此外，我们还开发了相应的变分推断算法，通过数量和计算复杂性的比较，优于现有方法。实验结果验证了该方法的效率，并证明其与现有方法相比具有相似的推断性能。

Sep, 2023