本文提出了一种基于改进的 softmax 似然函数的新的可扩展的多类高斯过程分类方法，该新似然函数具有两个好处：它可以导致良好校准的不确定性估计，并允许有效的潜变量扩充。该模型通过块坐标升高更新实现了快速的变分推断方法，具有快速的条件共轭性，既可以实现不确定性校准，又可以实现速度。我们的实验表明，与现有技术相比，我们的方法在具有良好校准的不确定性估计和具有竞争预测性能的情况下，可以快两个数量级。

May, 2019

本文介绍了通过变分诱导点框架对高斯过程分类模型进行缩放，超越基准测试数据的最新水平。重要的是，在实验中展示了该变分方法可以用于具有数百万数据点的大数据集的分类。

Nov, 2014

通过交叉验证和最近邻截断，我们引入了一种简单可扩展的高斯过程模型训练方法，并采用泊松伽玛辅助变量和变分推断来适应二元和多元分类，通过与其他方法的比较，我们发现我们的方法提供了快速训练和出色的预测性能，这可以归因于预测分布的非参数性质和交叉验证损失对模型错误说明的鲁棒性。

May, 2021

本文提出了一种新的数据增强策略，基于多项式 Gamma 分布，用于贝叶斯模型中的后验推断。经过实验证明，该方法在回归模型中表现优异，且具有简单、高效等优点。

May, 2012

介绍了一种基于随机变分推断方法的高斯过程模型，该方法使高斯过程模型能够应用于包含数百万数据点的数据集，并在需要执行变分推断的情况下，演示了如何将高斯过程分解为依赖于一组全局相关的引出变量的方法，并将其扩展到基于高斯过程的潜变量模型和具有非高斯似然度的模型。作者在简单玩具问题和两个真实数据集上展示了这种方法。

Sep, 2013

提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

Oct, 2019

本论文使用了基于随机推理网络的镜像梯度下降算法来实现高斯过程模型的推理，该算法针对大规模数据的情况具有可扩展性和易实现性，并且在实验中取得了与现有稀疏变分高斯过程方法相当甚至更好的表现。

May, 2019

本文讨论了利用 Dirichlet 分布将 Gaussian 过程回归直接应用于分类标签从而在保证精确性的前提下减少计算开销的新方法。实验证明该方法在减少计算资源消耗的同时也可以提供与 Gaussian 过程分类相当的准确性和不确定性估计。

May, 2018

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

本文提出了一种使用期望传播方法高效地训练高斯过程分类器的方法，以应对大型数据集的训练需求；此方法可用于分布式训练和使用梯度的随机逼近最大化边缘似然估计。实验证明其与使用变分方法相比是有竞争力的。

Jul, 2015